Oct, 2022

针对药物相互作用预测的图正则化概率矩阵分解

PDF
TL;DR本文提出了一种新的图形规范的概率矩阵分解（GRPMF）方法，它通过一种新颖的基于图形的正则化策略将专家知识纳入到 MF 框架中，提出了一种高效且有声优化算法来解决交替方式产生的非凸问题，通过药物银行数据集进行了评估，并与最先进技术进行了比较。结果表明，与其竞争对手相比，GRPMF 表现出优异的性能。
发现论文，激发创造
  • 大规模药物相互作用预测的分层多关系图表示学习

    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

  • 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

  • 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

  • 预测多药物相互作用的图距离神经网络

    本文提出了一种基于图的神经网络 GDNN，通过节点特征和 DDI 类型的已知信息来预测未知的 DDI 类型，其中 GDNN 使用改进后的消息传递框架，采用 MLP 处理来生成最终的预测药物相互作用类型。

    Aug, 2022

  • 基于交互感知图归纳的药品包装推荐

    本研究提出了一种考虑药物之间相互作用，及其与患者病况影响的药物推荐新方法，其中包括在电子病历和领域知识上设计的药物交互图和两个变体的 Drug Package Recommendation (DPR) 框架，该框架采用了图神经网络 (GNN) 进行最终的推荐任务，实验结果表明该方法优于几个竞争基准方法，具有充分表现的药品生成任务的启发性研究支持。

    Feb, 2021

  • 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

  • 药物 - 药物相互作用预测的多视角图对比表示学习

    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

  • 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

  • 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

  • DDIPrompt: 基于图引导学习的药物药物相互作用事件预测

    本研究介绍了 DDIPrompt，一种基于图提示的创新方法，通过利用预训练模型中的内在知识来解决药物相互作用预测中的类别不平衡和标注数据稀缺的问题，显著改善了罕见药物相互作用的准确性。

    Feb, 2024