基于图形协同注意力的药物不良反应预测
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
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
Decagon 是一种建模多药物并用副作用的方法,通过构建由蛋白质相互作用、药物 - 蛋白质相互作用和并用副作用表示的多模态图形来预测副作用,可以在大药理基因组和患者数据中使用,为后续分析标记和优先选择副作用创建了机会。
Feb, 2018
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
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
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
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
通过知识图谱中的生物医学领域信息,使用深度学习技术和图神经网络,基于药物的图表示,预测和解释药物之间的潜在相互作用,以弥补已知药物之间相互作用稀缺性的不足,在药物交互作用预测中取得了领先的性能,促进了生物医学和医疗保健的发展。
Nov, 2023