该研究基于变分自动编码器提出了两种深度生成模型,学习基因状态的潜在表示,以提高药物响应预测的准确性。结果表明,该模型可在 AUROC 和 AUPR 方面超过先前发表的研究,同时发现更好的重构准确性并不一定导致分类准确性的提高,联合训练模型表现更好。
Jun, 2017
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
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
本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型,旨在通过提高分类效果,提前预测药物副作用,从而减少药物住院和提高新药研发效率。
Nov, 2022
本文提出了一种名为 KnowAugNet 的多源医学知识增强药物预测网络,通过多级图对比学习框架充分捕获医疗代码之间的多样化关系,结合医学本体图和构建的医学先验关系图,输入顺序学习网络以捕捉医学代码的时间关系,从而达到预测患者药物的目的。
Apr, 2022
使用 CADGL 框架通过上下文感知的深度图学习来解决现有药物相互作用(DDI)预测模型在极端情况下的泛化问题、鲁棒特征提取问题和实际应用可能性问题。基于定制化的变分图自编码器(VGAE),我们从局部邻域和分子上下文两个不同角度的上下文预处理器中提取临界的结构和物理化学信息,并在异质图结构中进行特征提取。CADGL 超越了其他最先进的 DDI 预测模型,在预测临床上有价值的新型 DDIs 方面表现出色,并得到严格的案例研究支持。
Mar, 2024
本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用,通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联,并且利用高级药物对预测药物间相互作用进行性能优越的预测。
Feb, 2024
本研究提出了一种新的机器学习方法,称为 MIRACLE,采用多视角图形对比表示学习的方法,结合 GCNs 和关注力机制传递网络,实现药物分子结构及其相互作用信息的预测,其中的无监督对比学习方法能够兼顾数据的多视角信息,实验结果表明, MIRACLE 比现有预测模型表现更优。
Oct, 2020
本文提出一种基于变分自编码的图结构模型,用于生成符合已有数据分布的化学分子结构,并通过实验数据分析表明该模型在分子生成任务上表现较好,同时使用合适的隐空间设计允许生成具备特定性质的分子。
May, 2018
本论文研究了与图表示学习相关的两个基本任务:链接预测和节点分类,并提出了一种新的自编码器架构,能够学习本地图结构和可用节点特征的联合表示,用于同时进行无监督链接预测和半监督节点分类的多任务学习。
Nov, 2018