AI医药方向论文总结（包含DDI和DDS，重点分析药物联合预测）

最新推荐文章于 2024-11-19 19:12:22 发布
最新推荐文章于 2024-11-19 19:12:22 发布
阅读量5.8k 收藏 35
点赞数 10
分类专栏： AI与药物联合疗法 文章标签： 人工智能 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiao_muyu/article/details/121786199
版权
本文总结了AI在医药领域预测药物-药物交互（DDI）的方法，包括基于药物结构相似性和图基方法。深度学习模型如DeepDDI、DDI-BLKG、Graph Convolutional Networks等被用于提升预测准确性。此外，还探讨了其他方法，如文本处理和多关系DDI预测。同时，提到了针对药物组合效果预测的DeepSynergy和DeepDDS等模型。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

（提醒：本文模型图只是放了缩略图让大家了解个大概，建议还是看原论文中的模型图。）

现有的DDI预测方法？

DDI预测方法主要分为两类：基于药物结构特征相似性的方法和基于图的方法。

1 similarity-based：（假设化学结构相似的药物具有相似的DDI）

  • **DeepDDI模型

    Deep learning improves prediction of drug–drug and drug–food interactions.

    Proceedings of the National Academy of Sciences，2018

    这是第一个将深度学习应用于药物预测的模型。利用药物的SMILES数据生成药物对的结构相似性剖面（SSP），然后通过PCA降维将其送入深度神经网络（DNN）进行分类。
    在这里插入图片描述

  • DeepDDI模型优化1

Novel deep learning model for more accurate prediction of drug-drug interaction effects

BMC Bioinformatics，2019

在DeepDDI的基础上添加了两个新数据，其方法类似于药物SMILES数据生成的SSP：目标基因数据生成TSP（目标相似性档案）和基因本体（GO）生成GSP（基因本体术语相似性档案）。这三个特征向量通过一个改进的编码器进行降维，然后连接成一个单一的药物对特征向量，放入DNN进行训练。改进后的模型数据量大，精度高。
在这里插入图片描述

  • DeepDDI模型优化2

A multimodal deep learning framework for predictingdrug–drug interaction events

Bioinformatics，2020

在DeepDDI的基础上提出了一个多态性深度学习模型，该模型使用筛选的完整信息进行训练。它可以利用与多种药物相关的信息进行更有效的学习，具有更高的准确性。基于药物特征的方法在已知数据集上具有较高的准确性，但也存在一定的局限性。
在这里插入图片描述

  • DDI
最低0.47元/天 解锁文章
AI医药论文解读--Drug-Drug Adverse Effect Prediction with Graph Co-Attention
xiao_muyu的博客
12-12 2661
基于图形协同注意的药物不良反应预测 论文题目 Drug-Drug Adverse Effect Prediction with Graph Co-Attention 论文出自 arXiv,2019 一、模型？ 提出了一种神经网络结构，通过利用Co-Attention机制，仅通过观察药物的化学结构来指示可能的副作用类型。 两个任务： 对于二元分类：输入是两种药物和一种副作用类型，需要二元决定药物x和y是否会产生副作用。 对于多标签分类：输入是一对两种药物（dx，dy），需要964个同时的二
基于知识图谱嵌入和卷积-LSTM网络的药物-药物相互作用预测
weixin_42891125的博客
11-07 4297
基于知识图谱嵌入和卷积-LSTM网络的药物-药物相互作用预测 论文题目：Drug-Drug Interaction Prediction Based on Knowledge Graph Embeddings and Convolutional-LSTM Network 论文来源:https://doi.org/10.1145/3307339.3342161 药理学物质之间的干扰会造成严重的医疗...
AI医药论文解读--Drug-drug Interaction Prediction with Graph Representation Learning
xiao_muyu的博客
12-09 1327
基于图表示学习的药物相互作用预测 论文题目 Drug-drug Interaction Prediction with Graph Representation Learning 论文出自 BIBM 2019 文章目录基于图表示学习的药物相互作用预测一、现有DDI预测方法的不足之处？二、模型？三、各模块详细介绍？3.1 GCN3.2 Drug-drug Interaction Prediction四、实验结果？五、思考？ 一、现有DDI预测方法的不足之处？ 可扩展性：依赖于不同的药物相
Drug-drug Interaction Prediction with Graph Representation Learning
qq_41200212的博客
03-28 508
一种药物的药理活性可能会由于同时给药另一种药物而改变，从而导致未预料到的药物-药物相互作用(DDIs)。然而，现有的DDI预测方法在以下几个方面存在不足:(1)可扩展性:它们严重依赖于与药物相关的多种特征，导致在大规模的数据集中，大多数药物的重要特征是不可用的。(2)鲁棒性:他们的目标是在融合多种特征的情况下逼近交互概率。该模型可能对测试集的两两相似信息很敏感。在本文中，我们探索了图表示学习在更精确的DDI预测方面的应用，建立了一个全新的模型来解决这两个问题，实现了更高的性能，并保持了一定的可解释性。
生物信息学|新颖的深度学习模型，更准确地预测药物-药物相互作用
ShenggengLin的博客
03-25 2604
本篇推文引自：Novel deep learning model for more accurate prediction of drug-drug interaction effects 1. 摘要     背景：准确地预测药物-药物相互作用(DDIs)的影响对于更安全更有效的药物联合处方很重要。许多预测DDIs效应的计算方法已经被提出，目的是减少在体内或体外识别这些相互作用的难度，但预测性能仍有改进的空间。     结果：在本研究中，我们提出了一种新的深度学习模型来更准确地预测DDIs的效果。提出的模型
comboFM: leveraging multi-way interactions for systematic prediction of drug combination effects
qq_37637914的博客
03-16 1499
comboFM摘要 摘要 我们提出了comboFM，一种机器学习框架，用于预测临床前研究中药物组合的反应，如基于细胞系或患者来源的细胞。comboFM通过高阶张量对细胞环境特定的药物相互作用进行建模，并使用强大的因子分解机器有效地学习张量的潜在因子。该方法使comboFM能够利用之前在类似药物和细胞上进行的实验的信息，预测新组合药物在迄今未测试的细胞中的反应;因此，尽管数据张量稀少，它仍然可以实现高度精确的预测。我们使用癌细胞株药物筛选的数据证明了comboFM在各种预测方案中的高预测性能。随后对一组之前未
AI医药论文笔记--Deep learning improves prediction of drug–drug and drug–food interactions
xiao_muyu的博客
12-19 1635
深度学习用于提高对药物-药物相互作用和药物-食物相互作用的预测 论文题目 Deep learning improves prediction of drug–drug and drug–food interactions 论文出自 PNAS,2018 一、研究背景？ 之前方法：基于结构和其他相似性或药物靶标关联的方法开发了各种计算方法。 局限性：可以预测成对给定药物之间相互作用的概率，但没有在药理作用方面对 DDI 提供具体描述。 DeepDDI模型 输入：药物-药物或药物-食品成分对的
人工智能辅助药物发现(6)药物相互作用
白景屹的博客
02-07 1428
AIDD：药物相互作用
DrugLLM——利用大规模语言模型通过 Few-Shot 生成生物制药小分子
知来者逆的博客
11-19 1392
小分子由于能够与特定的生物靶点结合并调节其功能，因此在药物发现领域发挥着至关重要的作用。根据美国食品和药物管理局（FDA）过去十年的审批记录，小分子药物占所有获批上市药物的 76%。小分子药物的特点是合成相对容易，生物利用度高，易于到达预定靶点。然而，设计具有理想特性的分子非常困难，需要耗费大量的资源和时间。例如，找到一种有效的药物需要 9-12 年的药物开发过程和数十亿美元。寻找新分子的范围非常广泛，可合成的药物分子多达 1060 种。因此，对于化学家来说，确定与生物靶标相互作用的分子是一项重大挑战。
DTF:预测抗癌药物协同作用的深度张量分解
qq_37637914的博客
04-23 1584
DTF: Deep Tensor Factorization for predicting anticancer drug synergy摘要1 介绍2 材料与方法2.1 数据采集和预处理2.2 DTF:深张量因式分解2.2.1 符号2.2.2 张量分解算法2.2.3 CP-WOPT drug synergy) 摘要 联合疗法已被广泛用于治疗癌症。然而，由于可能的药物组合数量庞大，实验筛选协同药物对需要大量的时间和成本。因此，计算方法已成为预测和优选协同药物对的重要方法。 我们提出了一种深度张量因子分解(D
文献解读02-DeAF: A multimodal deep learning framework for disease prediction
weixin_72096875的博客
11-26 432
多模态深度学习模型已被应用于疾病预测任务，但由于子模型和融合模块之间的冲突，训练存在困难。为了缓解这个问题，我们提出了一个解耦特征对齐和融合（DeAF）的框架，该框架将多模态模型训练分为两个阶段。在第一阶段中，进行无监督表示学习，并使用模态自适应（MA）模块来对齐来自各种模态的特征。在第二阶段，自我注意力融合（SAF）模块使用监督学习将医学图像特征和临床数据相结合。此外，我们应用DeAF框架来预测CRS对结直肠癌的术后疗效以及MCI患者是否转变为阿尔茨海默病。
Attention-Guided Deep Graph Neural Network for Longitudinal Alzheimer’s Disease Analysis注意力引导深度图神经网
weixin_44845357的博客
04-24 420
论文标题：Attention-Guided Deep Graph Neural Network for Longitudinal Alzheimer’s Disease Analysis 摘要 阿尔茨海默病(AD)是造成老年人痴呆的主要原因。由于AD不太可能是可逆的，而且目前还没有治愈，因此监测其进展对于调整患者的治疗计划以延缓其恶化至关重要。计算机辅助的纵向AD数据分析有助于评估疾病状态，识别大脑的不同区域，揭示疾病的进展。但是，现有的方法大多存在两个主要问题:一是从整个图中全局提取图像特征，对噪声非常敏
《DeepSBD： A Deep Neural Network Model with Attention Mechanism for SocialBot Detection》阅读笔记
hxhabcd123的博客
03-18 742
本文记录《DeepSBD: A Deep Neural Network Model with Attention Mechanism for SocialBot Detection》的阅读笔记
生物信息学|用于预测药物-药物相互作用事件的多模态深度学习框架
ShenggengLin的博客
12-09 3890
本篇推文引自：A multimodal deep learning framework for predicting drug–drug interaction events 1. 摘要     动机:药物-药物相互作用(DDIs)是药物研究的主要关注之一。很多基于机器学习的方法被提出用于DDI的预测，但大多数都是预测两种药物是否相互作用。研究发现DDIs可引起不同的后续事件，预测DDI相关事件更有助于探讨联合用药或不良反应背后隐藏的机制。     结果:在本文中，我们从DrugBank数据库中收集DDIs
MDNN：一种用于药物-药物反应预测的多模态深度神经网络
白景屹的博客
09-06 1150
目录背景介绍模型描述模型架构展示计算对象介绍方法DKG通道HF通道双模态融合实验结果 背景介绍 模型来自文章：“MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events”，文章提出了一个用于DDI（药物-药物反应，drug-drug interaction）预测的多模态深度神经网络MDNN，即Multimodal Deep Neural Network。文章设计了一个基于药物知识图（Drug Know
基于特征融合与注意力机制的药物互作模型：MDF-SA-DDI
tagagi的博客
12-13 2297
论文题目：MDF-SA-DDI: predicting drug–drug interaction events based on multi-source drug fusion, multi-source feature fusion and ransformer self-attention mechanism 论文来源： Briefings in Bioinformatics,00(00), 2021,1–13 网址：https://academic.oup.com/bib/advance...
知识图谱入门之路-书目推荐
BertramLAU的专栏
11-14 2933
《知识图谱》赵军 高等教育出版社 2018-12 《知识图谱-方法、实践与应用》王昊奋 漆桂林 陈华钧 电子工业出版社 2019-08 《知识图谱-概念与技术》肖仰华 电子工业出版社 2019 ...
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
02-01 1572
本文是我们与苏黎世大学合作的工作，将发表于WSDM2019，这篇工作在知识图谱的表示学习中考虑了实体和关系的交叉交互，并且从预测准确性和可解释性两个方面评估了表示学习结果...
DDI药物相互作用预测
最新发布
03-08
一种有效而稳健的DPDDI方法被提出，这种方法利用了DDI网络的信息，在不考虑药物的具体化学和生物性质的情况下成功预测潜在的DDIs。此方法不仅有助于检测意外副作用，还能指导合理的药物联用方案的设计[^1]。 #### ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值