Mar, 2024

学习描述以预测零激活药物相互作用

PDF
TL;DR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。
adverse drug-drug interactionsddi predictionnew drugstextddireinforcement learning
发现论文，激发创造
  • ZeroDDI: 语义增强学习和双模态统一对齐的零射预测药物相互作用事件方法

    ZeroDDI 是一种用于零样本预测药物 - 药物相互作用（DDI）事件的新方法，它通过设计生物语义增强的 DDIE 表示学习模块和双模态统一对齐策略，解决了适应 DDIE 的合适表示学习和应对类别不平衡的挑战，实验结果表明其在检测未知 DDIE 方面具有很大的潜力。

    Jul, 2024

  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用长短时记忆网络从生物医学文本中提取药物相互作用

    本文提出了三种基于长短时记忆网络（LSTM）的模型，包括 B-LSTM、AB-LSTM 和 Joint AB-LSTM，利用词语和位置嵌入作为潜在特征，不依赖于显式特征工程，其中 Joint AB-LSTM 模型表现最佳，优于现有的所有方法，包括那些依赖于人工特征的方法，另外两个模型也表现出色。该模型旨在解决药物相互作用（DDI）的提取问题，更有效和高效的解决 DDI 问题是非常重要的。

    Jan, 2017

  • 通过分子结构信息提高从文本中提取药物相互作用的效果

    本文提出一种新颖的神经方法，利用外部药物分子结构信息从文本中提取药物间相互作用（DDIs）。我们使用卷积神经网络对文本药物对进行编码，并使用图形卷积网络（GCNs）对它们的分子对进行编码，然后连接这两个网络的输出。在实验中，我们表明 GCNs 可以高准确度地预测 DDIs，而分子信息可以使基于文本的 DDI 提取的 F 值提高 2.39％。

    May, 2018

  • 药物预测的零样本学习方法用于临床前药物筛选

    本文提出了一种用于临床前药物筛选中药物反应预测的零样本学习方法，称为 MSDA。MSDA 可以与传统的药物反应预测方法无缝集成，通过学习类似药物的先前反应数据的不变特征，增强对未标记化合物的实时预测性能。研究结果表明，MSDA 能够有效地预测未知化合物的药物反应，使临床前药物筛选阶段的总体性能提高了 5-10％。该解决方案的重要性在于能够加速药物发现过程，改善药物候选物评估并促进药物发现的成功。

    Oct, 2023