Jan, 2017

利用长短时记忆网络从生物医学文本中提取药物相互作用

PDF
TL;DR本文提出了三种基于长短时记忆网络（LSTM）的模型，包括 B-LSTM、AB-LSTM 和 Joint AB-LSTM，利用词语和位置嵌入作为潜在特征，不依赖于显式特征工程，其中 Joint AB-LSTM 模型表现最佳，优于现有的所有方法，包括那些依赖于人工特征的方法，另外两个模型也表现出色。该模型旨在解决药物相互作用（DDI）的提取问题，更有效和高效的解决 DDI 问题是非常重要的。
drug-drug interactionddi extractionneural network modelslatent featureslstm network
发现论文，激发创造
  • 基于知识图谱嵌入和卷积 - LSTM 网络的药物相互作用预测

    本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

    Aug, 2019

  • 利用知识图谱预测药物间相互作用

    该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

    Aug, 2023

  • 通过分子结构信息提高从文本中提取药物相互作用的效果

    本文提出一种新颖的神经方法，利用外部药物分子结构信息从文本中提取药物间相互作用（DDIs）。我们使用卷积神经网络对文本药物对进行编码，并使用图形卷积网络（GCNs）对它们的分子对进行编码，然后连接这两个网络的输出。在实验中，我们表明 GCNs 可以高准确度地预测 DDIs，而分子信息可以使基于文本的 DDI 提取的 F 值提高 2.39％。

    May, 2018

  • 基于图形协同注意力的药物不良反应预测

    该研究提出了一种神经网络架构，利用多药副作用类型和药物分子结构，采用共同注意机制，对药物组合进行机器学习，以便预测药物之间的相互作用和潜在的副作用。

    May, 2019

  • 学习描述以预测零激活药物相互作用

    该研究论文介绍了一种新的零样本药物相互作用预测方法，利用来自 DrugBank 和 PubChem 等在线数据库的文本信息，提出了一种基于语言模型的药物相互作用预测器和一种基于强化学习的信息选择器，用于准确预测新药的药物相互作用，并证明了该方法在零样本和少样本药物相互作用预测方面的好处。

    Mar, 2024

  • 异质图注意力网络下的药物相互作用预测

    本文提出一种基于异质性图卷积神经网络的药物相互作用预测模型 HAN-DDI，该模型能够准确地预测新药物的药物相互作用，较已有模型有较好的表现。

    Jul, 2022

  • HyGNN: 基于超图神经网络的药物相互作用预测

    本文介绍了一种基于 SMILES 字符串的 Hypergraph 神经网络模型，用于药物 DDI 预测问题。通过从 SMILES 字符串中提取化学亚结构来创建一个超图，利用注意力机制的超图边编码器来捕捉药物相似性，并使用解码器预测药物对之间的相互作用，实验结果表明，该模型可以有效预测 DDIs，并优于基线方法，最大 ROC-AUC 和 PR-AUC 分别达到 97.9％和 98.1％。

    Jun, 2022

  • 分子次结构感知网络用于药物相互作用预测

    本研究提出 Molecular Substructure-Aware Network （MSAN）模型，采用 Transformer 样式的结构提取模块从药物分子的分子结构中获取涉及各种亚结构模式的具有代表性的向量，并通过基于相似性的相互作用模块捕获两个药物亚结构之间的相互作用强度来有效地预测潜在的药物相互作用。经过真实世界数据集的实验，结果表明我们提出的模型实现了最先进的性能，也证实了我们模型的预测结果高度可解释。

    Aug, 2022

  • 药物相互作用预测中深度学习与图学习的综合评估

    本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。

    Jun, 2023

  • 将异构领域信息集成到关系抽取中：基于药物相互作用抽取的案例研究

    该论文探讨了如何利用异构领域信息来提高文献中关系抽取的性能，并针对药物间关系进行了实例研究，实现了神经关系抽取模型和知识图谱相结合的方法。

    Dec, 2022