Jun, 2023

药物相互作用预测中深度学习与图学习的综合评估

PDF
TL;DR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。
artificial intelligencedrug-drug interactionsdeep learningmolecular representationgraph neural network models
发现论文，激发创造
  • 准确且可解释的药物相互作用预测：基于知识子图学习的方法

    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

  • 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

  • 双层图神经网络用于药物相互作用预测

    提出了一种名为 Bi-GNN 的方法，用于建模生物学链接预测任务，如药物相互作用（DDI）和蛋白质相互作用（PPI），该方法不仅利用了药物分子本身的图形表示，还包括相互作用图。

    Jun, 2020

  • 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

  • 基于流程图神经网络的生物医学网络引发的新型药物相互作用预测

    提出了 EmerGNN，一种利用生物医学网络中丰富信息能够有效预测新兴药物相互作用的图神经网络。EmerGNN 通过提取药物对之间的路径、在药物之间传播信息，并结合路径上的相关生物医学概念来学习药物的成对表示。权重不同的生物医学网络边指示了目标药物相互作用预测的相关性。总体而言，EmerGNN 在预测新兴药物相互作用方面具有比现有方法更高的准确性，并能识别出生物医学网络上最相关的信息。

    Nov, 2023

  • 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

  • 分子图深度学习预测药物副作用

    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

  • 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

  • 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