Mar, 2024

CADGL：基于上下文的深度图学习用于预测药物相互作用

PDF
TL;DR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。
drug-drug interactionsddiscadglcontext-aware deep graph learningddi prediction models
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于图神经网络的概率生成模型在疾病基因预测中的应用

    本文研究使用 VGAE 和 C-VGAE 作为无监督的方法，利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示，进而解决疾病 - 基因预测问题，结果表明 VGAE 和 C-VGAE 方法具有很好的性能

    Jul, 2019