AI医药论文笔记--Deep learning improves prediction of drug–drug and drug–food interactions

最新推荐文章于 2024-07-13 21:18:24 发布
最新推荐文章于 2024-07-13 21:18:24 发布
阅读量1.4k 收藏 5
点赞数
分类专栏： AI与药物联合疗法 文章标签： 深度学习 人工智能 神经网络
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/122021168
版权
DeepDDI模型结合结构相似谱(SSP)和深度神经网络(DNN)，预测药物-药物和药物-食物相互作用。输入包括药物名称和结构信息，输出为86种DDI类型的可读句子。相比传统方法，DeepDDI能提供更具体的药理作用描述，并在实验中表现出优于随机森林和K近邻算法的性能。
摘要由CSDN通过智能技术生成

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-食品成分对的名称及其结构信息

输出：生成 关于86 种重要的 DDI 类型的可读句子

DeepDDI 可以在服用某些药物时提供有关药物处方甚至饮食建议的重要信息，以及药物开发过程中的指南。

二、模型设计？

在这里插入图片描述

最低0.47元/天 解锁文章
努力AC的潇潇
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
通过深度学习增强药药反应和药食反应的预测效果
Deep Dropout
04-24 1970
通过深度学习增强药药反应和药食反应的预测效果 通过深度学习增强药药反应和药食反应的预测效果 前言 背景 方法与实验 优点 缺点 相关的工作 结果 应用场景 讨论 我的想法 前言 还是不要不务正业了，重新回到DDI的怀抱之中。（笑） 这篇是PNAS（美国科学院）的论文，还是有点分量的……虽然我觉得有点水 本篇文章主要讲的是基于深度学习的药物副作用与药物宇食物的作用的预测...
AI医药方向论文总结（包含DDI和DDS，重点分析药物联合预测）
xiao_muyu的博客
12-08 5436
文章目录现有的DDI预测方法？1 similarity-based：（**假设化学结构相似的药物具有相似的DDI**）2 graph-based：3 其他方法：一些关于DDS的论文？AI医药方向的综述？ （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 lear
生物信息学|药物-药物相互作用的深层预测模型
ShenggengLin的博客
12-09 4459
本篇推文引自：DPDDI: a deep predictor for drug-drug interactions 1. 摘要     在本工作中，我们提出了一种新的方法(即DPDDI)，利用图卷积网络(GCN)和深度神经网络(DNN)模型作为预测器，从DDI网络中提取药物的网络结构特征，从而预测DDIs。GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量，训练一个DNN，用于预测潜在的药物-药物相互作用。实验结果表明，
AI医药论文解读--DPDDI：药物相互作用的深层预测器
xiao_muyu的博客
12-07 1153
DPDDI：药物相互作用的深层预测器 论文题目 DPDDI: a deep predictor for drug-drug interactions 论文出自 BMC Bioinformatics ，2020 论文链接：DPDDI: a deep predictor for drug-drug interactions 文章目录DPDDI：药物相互作用的深层预测器一、研究背景？二、DPDDI模型？三、各模块详细介绍？四、实验部分？五、总结与思考？ 一、研究背景？ 现有的计算方法大致可以分
DeepDDI笔记
weixin_42324904的博客
04-26 702
DeepDDI不得不吐槽一下这篇论文排版实在是太难看了，所以我一直都没看，发现这里面有很多是我以前没有注意到的东西，说来也是我自己太菜了，搞DDI肯定是要针对数据集设计模型的，我每次都看模型怎么样，居然都没有重视到数据集的问题，太不应该了。 模型具体细节不必过于关注，是18年的老论文了，数据集倒是很少有描述得这么详细的，因为后面可能直接都是这样用的。 上图是附录里的部分 DrugBank里有192303个DDI，共99类， 类似于这种，在这99种DDI类型里，超过5个实例的有86种，所以就拿着
DeepID算法实践
热门推荐
雨石
05-08 2万+
目前人脸验证算法可以说是DeepID最强，本文使用theano对DeepID进行实现。当然DeepID最强指的是DeepID和联合贝叶斯两个算法，本文中只实现了DeepID神经网络，并用它作为特征提取器来应用在其他任务上。本文所用到的代码工程在github上可以找到，链接为https://github.com/stdcoutzyx/DeepID_FaceClassify
生物医学网络中的图嵌入：方法，应用和评估
edwinhaha的博客
01-01 2779
文章目录1、研究背景2、图嵌入方法概述3 图嵌入在生物医学网络中的应用3.1 链接预测3.2 节点分类1）蛋白质功能预测2）医学术语语义类型分类3.3 总结4、实验4.1 Datasets4.1.1 链接预测4.1.2 节点分类预测4.2 实验设置4.3 链接预测结果4.4节点分类结果4.5 超参数的影响4.6实验结果总结5 讨论和未来方向6 总结 本文在https://zhuanlan.zhih...
Color Sensing Improves Look and Feel of Smart-综合文档
05-25
《颜色感应技术提升智能产品视觉效果》 颜色感应技术在当今智能产品设计中扮演着至关重要的角色，它能显著改善产品的外观与触感，从而提升用户的使用体验。颜色感应不仅关乎美学，更涉及到人机交互、用户体验设计...
Semi-Supervised Multimodal Relevance Vector Regression Improves Cognitive Performance Estimation from Imaging and Biological Biomarkers
02-09
Accurate estimation of cognitive scores for patients can help track the progress of neurological diseases. In this paper, we present a novel semi-supervised multimodal relevance vector regression (SM-...
learning Rates and How It Improves Performance in Deep Learning.pdf
08-02
Improves Performance in Deep Learning This post is an attempt to document my understanding on the following topic: What is the learning rate? What is it’s signibcance? How does one systematically ...
人在回路机器学习Human-in-the-Loop_Machine_Learning.pdf
09-22
Human-in-the-Loop Machine Learning lays out methods for humans and machines to work together effectively. Summary Most machine learning systems that are deployed in the world today learn from human ...
Selenium-Enriched Probiotics Improves Antioxidant Status, Immune Function and Selenoprotein Gene Expression of Piglets Raised under High Ambient Temperature
01-02
富硒益生菌对饲养在高热环境下仔猪的抗氧化状态、免疫功能和硒蛋白基因表达的影响，甘芳，陈兴祥，目的：研究高热环境下富硒益生菌对高热环境下仔猪抗氧化状态、免疫功能和硒蛋白基因表达的影响。...
DeepDrug：一个用于DDI和DTI预测的GNN框架
白景屹的博客
02-21 1160
DeepDrug
数字图像处理基础（翻译四）
pbImage的专栏
10-23 1445
主要理论点 1）线性轮廓（Line Profile） 2）亮度计算（Intensity Measurements） 3）结构化相似指标（Structural Similarity Index--SSIM） 4）归一化的SSIM（Normal SSIM） 5）快速SSIM （Fast SSIM） 线性轮廓（Line Profile）   线性轮廓描绘了图像中沿着一条直线的
DrugBank模型数据集比较
weixin_42324904的博客
05-05 1061
https://www.pnas.org/doi/full/10.1073/pnas.1803294115 点开链接往下拉，数据集都是excel文件，还有一个是数据集的说明，我主要是想看这个 DrugBank数据集中有19万2303跳DDI数据，被分成了99中句子结构，每一种被描述成具体的DDI。 在这99一般句子结构中，有86种通用句子结构被拿来实验了，因为86种句子结构最起码和5个药物对相关。 因为这样的话，可以将数据分成训练集，验证集和测试集来进行训练。 结果是：86种DDI类型，19187
AI医药论文解读--Drug-Drug Adverse Effect Prediction with Graph Co-Attention
xiao_muyu的博客
12-12 2534
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
MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events论文解析
垃圾就应该待在垃圾桶里的博客
09-05 1453
MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events论文解析(MDNN：一种用于预测药物互作事件的多模态深度神经网络)由中南大学高建良老师组发表在2021IJCAI上 文章目录Abstract1 Introduction二、使用步骤1.引入库2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成
IJCAI2020 | 知识图神经网络预测药物与药物相互作用
DrugAI
08-13 3426
今天给大家介绍的是湖南大学信息科学与工程学院全哲教授课题组在IJCAI 2020会议上发表的一篇关于知识图神经网络预测药物与药物相互作用的文章。在本文中，作者提出了一个称为知识图神经网络（KGNN）的端到端框架，以预测药物与药物相互作用（DDI）。KGNN框架可通过在知识图谱（KG）中挖掘与药物关联的实体关系，以有效地获取药物及其潜在的邻居实体信息。为了提取KG中存在的高阶拓扑结构和语义关系，KGNN从KG中每个实体的邻域中学习作为它们的局部感知域，然后将当前实体表示的偏差及其邻域信息进行聚合。这...
卷积神经网络-猫狗识别实战
最新发布
sylviiiiiia的博客
07-13 618
CNN
精品专题资料（2021-2022年收藏）基于单片机的路灯模拟控制系统.doc
11-29
Additionally, with the ability to adjust the LED output power, the system not only enhances the efficiency of the lighting system but also improves the reliability and intelligence of the street ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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