論文の概要: Disease-level drug approval forecasting from trial-agnostic public data

• arxiv url: http://arxiv.org/abs/2610.14013v1
• Date: Tue, 29 Sep 2026 06:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:45:18.449534
• Title: Disease-level drug approval forecasting from trial-agnostic public data
• Title（参考訳）: トライアル非依存的公開データによる疾患レベルの薬物承認予測
• Abstract要約: 食品医薬品局(FDA)の承認を得る可能性が最も高い薬物排出候補を検査する前に見積もることができる計算ツールは、開発時間とコストを削減できる。 FDAの承認は、事前の臨床試験情報のみを用いて、医薬品と医薬品の対を予測できるかどうかを問うとともに、これらの予測が同一の薬物に対する疾患の優先順位付けに役立つかどうかを問う。 臨床Trials.govのプログラムを再構築し,FDAラベル文書から疾患レベルの承認を抽出し,それぞれに分子,疾患,ADMET,ターゲット,経路の特徴を付加することにより,14,134種類の薬物放出ペアのコホートを構築した。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug development is an expensive and lengthy process requiring developers to select drugs for human trials and diseases to target. Computational tools that can estimate before testing which drug-disease candidates are most likely to reach FDA approval could reduce development time and costs through early program advancement and disease prioritization. Yet existing approaches predict outcomes at a single level or stage or do not distinguish between disease outcomes for the same drug. We ask (1) whether FDA approval can be forecast for a drug-disease pair using only pre-clinical trial information, and (2) whether these forecasts can help prioritize diseases for the same drug. We built a cohort of 14,134 drug-disease pairs by reconstructing programs from ClinicalTrials.gov, extracting disease-level approvals from FDA label documentation, and enriching each pair with molecular, disease, ADMET, target, and pathway features. We divided the cohort into pre- and post-2019 programs and trained a classifier on pre-2019 data to predict FDA approval. On the post-2019 cohort (2,637 programs), the model would have prioritized a program that ultimately gained approval over one that did not approximately three out of four times. For drugs tested across multiple diseases, selecting the model's highest-ranked disease would have identified an ultimately approved disease 61.3% of the time, compared with 40.7% under random selection. These results show that public pre-trial information contains signal for forecasting FDA approval at the drug-disease level and can help prioritize diseases for the same drug. We provide a public web tool for SMILES- and ICD-10-based drug-disease approval forecasting.
• Abstract（参考訳）: 医薬品開発は高価で長期にわたるプロセスであり、開発者はヒトの治験や病気の標的となる薬物を選択する必要がある。 食品医薬品局(FDA)の承認を得る可能性が最も高い薬物治療候補を検査する前に見積もることができる計算ツールは、早期プログラムの進歩と疾患優先順位付けを通じて、開発時間とコストを削減できる。 しかし、既存のアプローチでは、単一のレベルまたはステージで結果を予測するか、同じ薬物の疾患の結果を区別しない。 1) FDAは, 臨床前臨床試験情報のみを用いて, FDAの薬局承認を予測できるかどうかを問うとともに, その予測が同一の薬局の疾患の優先順位付けに有効かどうかを問う。 臨床Trials.govのプログラムを再構築し,FDAラベル文書から疾患レベルの承認を抽出し,分子,疾患,ADMET,ターゲット,経路の特徴を充実させることにより,14,134種類の薬物と薬物のペアのコホートを構築した。 我々は、コホートを2019年以前のプログラムと2019年以降のプログラムに分け、2019年以前のデータに基づいて分類器を訓練し、FDAの承認を予測した。 2019年以降のコホート(2,637プログラム)では、4回中3回は承認されなかったプログラムよりも、最終的に承認を得たプログラムが優先された。 複数の疾患で検査された薬物について、モデルで最も高いランクの疾患を選択すると、最終的に承認された疾患は61.3%であり、ランダムな選択では40.7%であった。 これらの結果から, 公衆の事前審理情報には, FDAの薬効レベルを予測するための信号が含まれており, 同一薬物に対する疾患の優先順位付けに役立てる可能性が示唆された。 SMILES および ICD-10 ベースの薬物放出承認予測のための公開 Web ツールを提供する。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Development and Validation of a Deep-Learning Model for Differential Treatment Benefit Prediction for Adults with Major Depressive Disorder Deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study [0.622895724042048]
  大うつ病(MDD)の薬理学的治療は、試行錯誤のアプローチに依存している。 治療結果のパーソナライズを目的とした人工知能(AI)モデルを導入する。
  論文  参考訳（メタデータ） (2024-06-07T15:04:59Z)
• NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug Candidates Through an Integrated Computational Approach [0.0]
  薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。 提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。 データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。 NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
  論文  参考訳（メタデータ） (2023-09-04T03:21:43Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Principal-Agent Hypothesis Testing [54.154244569974864]
  我々は、規制当局(プリンシパル)と医薬品会社のような実験者(エージェント)との関係を考察する。 医薬品の有効性は規制当局に知られていないため、医薬品会社は規制当局に有効性を証明するために費用がかかる裁判を行わなければならない。 エージェントの戦略行動に頑健なプロトコルを設計する方法を示し、戦略参加者の存在下で最適なプロトコルを導出する。
  論文  参考訳（メタデータ） (2022-05-13T17:59:23Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• Dr-COVID: Graph Neural Networks for SARS-CoV-2 Drug Repurposing [14.112444998191698]
  我々は、Dr-COVIDと呼ばれる、GNNに基づく薬物再資源化モデルを提案する。 Dr-COVIDは、その予測性能と、既知の疾患の治療薬をできるだけ高いレベルにランク付けする能力で評価されている。
  論文  参考訳（メタデータ） (2020-12-03T18:34:10Z)
• Network Medicine Framework for Identifying Drug Repurposing Opportunities for COVID-19 [6.7410870290301]
  現在のパンデミックは、SARS-CoV-2感染の潜在的な効果のために、迅速かつ確実に臨床承認された化合物を優先順位付けできる方法の必要性を強調している。 ここでは,人工知能,ネットワーク拡散,ネットワーク近接に頼ったアルゴリズムをデプロイし,SARS-CoV-2に対する効果を期待して,それぞれ6,340の薬物をランク付けする。 ほとんどのアルゴリズムは、これらの基底真理データに対して予測力を提供するが、すべてのデータセットやメトリクスに対して一貫した信頼性のある結果を提供する方法は存在しない。
  論文  参考訳（メタデータ） (2020-04-15T17:40:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。