利用图卷积网络建模多药物并用的副作用
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
该研究旨在鉴别多药联合应用不良药物事件的关键特征,并构建和评估预测多药联合应用不良事件的模型,结果显示针对心血管疾病的特定模型在药物相互作用预测中表现显著提高,证明了领域特定模型提高药物相互作用预测准确性的强大潜力。
Aug, 2023
对于多病患者进行管理常常导致多药治疗,然而特定组合的药物和疾病的长期影响通常是未知的。从一级医疗保健数据学习疾病和处方模型来研究可能影响多重疾病进一步发展的药物类型。我们使用最先进的可计算复杂查询的可靠贝叶斯网络表示这些大型医学网络。我们的研究结果证实,处方药可能会在心血管疾病的多重疾病进一步发展中产生意外的负面影响。此外,用于一种疾病组的药物疗法可能会影响另一组疾病。
Dec, 2016
药物联合使用引起的不良反应是现代医学中一个日益普遍的现象,对其准确预测的挑战至关重要。尽管存在大量计算方法来解决这个问题,但由于问题的多项式特性,仅依靠实验室的方法无法满足需求。我们将三种张量分解模型应用于基准数据集,与现有技术进行比较,发现与先前的报告相反,在此任务中,张量分解模型与最先进的图神经网络模型具有竞争力,因此建议未来的研究在运行昂贵的深度学习流程之前考虑更廉价的具有线性复杂度的方法。
Apr, 2024
该研究为解决多药副作用识别、药物间相互作用预测和联合疗法设计任务提供了一种统一的关系机器学习模型的理论视角,讨论了现有模型架构、性能指标、数据集和评估协议,强调了在该领域中可能的高影响应用和重要的未来研究方向。
Nov, 2021
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
本论文提出了一种基于神经汤普森抽样和差分进化算法的优化策略 OptimNeuralTS,旨在高效地挖掘索赔数据集、建立药物组合与健康结果之间的预测模型,以检测潜在不当多药同时使用(PIPs)。在两个数据集上的实验表明,该方法能够检测到高达 72% 的 PIP,同时保持平均精度得分为 99%。
Dec, 2022
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