Aug, 2024

RGDA-DDI：基于残差图注意力网络和双重注意力的药物-药物相互作用预测框架

HTML
PDF
TL;DR本研究针对现有药物-药物相互作用（DDI）预测方法存在的不足，提出了RGDA-DDI框架，通过残差图注意力网络和双重注意力模块来有效学习药物和药物对的多尺度特征表示。研究结果显示，RGDA-DDI在两组公开基准数据集上的预测性能显著提升，为药物开发提供了新的见解。
发现论文，激发创造
  • 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

  • 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

  • 利用图能量神经网络预测相关药物相互作用

    本文提出使用图能量神经网络(GENN)来显式建模链接类型相关性进行药物作用预测，其中能量函数由图神经网络定义。在两个真实的药物数据集上进行实验证明GENN优于其他基线模型并实现了13.77%和5.01%的PR-AUC改进。

    Oct, 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

  • 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

  • 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

  • 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

  • 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

  • MKDTI：基于图注意力网络的多核融合预测药物靶标相互作用

    通过提取图注意力网络各层嵌入的核信息，我们建立了一个称为MKDTI的模型，从而改善了对于新型药物-靶点关系的预测能力。我们通过构建药物-靶点异构网络，提取潜在特征，并利用多个核矩阵的融合来预测新型药物-靶点的连接关系。与基准算法相比，我们的模型在预测结果方面表现更好，并通过核选择实验证明了多核融合方法与图注意力网络生成的核矩阵相结合可以提高预测准确性。

    Jul, 2024