AI医药论文笔记DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug....

最新推荐文章于 2024-08-22 08:29:02 发布
最新推荐文章于 2024-08-22 08:29:02 发布
阅读量1.7k 收藏 5
点赞数 2
分类专栏： AI与药物联合疗法 文章标签： 人工智能 深度学习 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/122089760
版权
DeepDDS是一个结合图卷积网络（GCN）和注意力机制的深度学习模型，用于预测药物组合的协同效应。通过药物分子图和癌细胞基因表达谱的特征嵌入，该模型在识别协同用药方面表现优越。实验表明DeepDDS超越了传统机器学习和现有深度学习方法。未来的研究将关注提高模型的可解释性和预测准确性。
摘要由CSDN通过智能技术生成

DeepDDS:具有注意机制的深度图神经网络预测协同用药

文章目录

一、模型？

DeepDDS ：基于图卷积网络和注意力机制的深度学习模型，以识别能够有效抑制特定癌细胞生存能力的药物组合。
在这里插入图片描述

  • 步骤：

    • 通过多层感知 MLP获得癌细胞基因表达谱的特征嵌入。
    • 基于药物SMILES生成的药物分子图，通过GAT或GCN获得药物的特征嵌入。
    • 将药物和细胞株的嵌入向量连接送到多层全连接网络中，预测协同效应，实现药物组合的二元分类(协同或拮抗)。

  • 数据集：

    • 药物：DrugBank中提取SMILES。通过RDKit转换为图结构。
    • 肿瘤细胞：基因表达数据来源于CCLE

二、具体方法？

  • GCN

在这里插入图片描述

最低0.47元/天 解锁文章
深度学习论文: Attentional Graph Neural Network for Parking-slot Detection
mingo_敏
04-13 3660
深度学习论文: Attentional Graph Neural Network for Parking-slot Detection Attentional Graph Neural Network for Parking-slot Detection PDF: https://arxiv.org/pdf/2104.02576.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/
图神经网络（十六）Simple and Deep Graph Convolutional Networks
码匀的博客
03-20 750
本文收录于ICML2020，作者不知道哪个机构的。由于GCN本身的平滑性质，当前的GCN模型都局限于浅层模型，本文研究了深度卷积网络的设计与分析问题，在此基础上提出了GCNll模型，GCNll是对普通GCN的扩展，使用的是残差连接和单位映射。作者在理论上证明了本文模型有效的缓解了过平滑问题，最终实验表明该模型有着一定的提升。源码在这 Introduction 该部分说的主要还是GCN无法解决过平滑的问题，虽然当前提出了一些方法为了解决过平滑问题，例如SGC试图通过在单个神经网络层中应用图卷积矩阵的 kkk
AI医药论文解读--Deep graph embedding for prioritizing synergistic anticancer drug combinations（深度图嵌入法）
xiao_muyu的博客
12-08 557
深度图嵌入法在协同抗癌药物组合中的应用 论文题目 Deep graph embedding for prioritizing synergistic anticancer drug combinations 论文出自 Computational and Structural Biotechnology Journal ，2020 文章目录深度图嵌入法在协同抗癌药物组合中的应用一、模型介绍？二、详细过程？三、模型比较？ 一、模型介绍？ 图卷积编码器+矩阵双线性解码器 整合药物组合、药物-蛋
深度图卷积网络库（Deep Graph Convolution Networks）安装与使用指南
最新发布
gitblog_00593的博客
08-22 245
深度图卷积网络库（Deep Graph Convolution Networks）安装与使用指南 deep_gcns项目地址:https://gitcode.com/gh_mirrors/de/deep_gcns 项目介绍 深度图卷积网络库（Deep GCNs 是一个致力于高效实现深度图卷积网络的开源项目。由LightAime开发并维护，该项目旨在简化图神经网络的研究与应用，特别强调在多种图数据...
深度图卷积网络系列文章（一）---Effective Training Strategies for Deep Graph Neural Networks
hjy18154017802的博客
09-16 900
深度图卷积网络系列文章（一）---Effective Training Strategies for Deep Graph Neural Networks深度图神经网络的有效训练策略GNN的局限性梯度消失造成训练困难过拟合和训练的不稳定性BatchNorm的缺点NodeNorm提出的节点归一化的方案减少特征相关性实验结果结论 深度图神经网络的有效训练策略 这几天一直在看如何增加图卷积网络深度方面的问题，今天分享的一篇文章是Effective Training Strategies for Deep Grap
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
04-24 371
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
03-18 640
本文记录《DeepSBD: A Deep Neural Network Model with Attention Mechanism for SocialBot Detection》的阅读笔记
【每日一读】CoRGi: Content-Rich Graph Neural Networks with Attention
海到无边天作岸 山登绝顶我为峰
09-22 1300
Hello！ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！唯有努力💪【每日一读】每天浅读一篇论文，了解专业前沿知识，培养阅读习惯（阅读记录 仅供参考）原文链接：https://dl.acm.org/doi/10.1145/3534678.3539306。
《Relational inductive biases, deep learning, and graph networks》图网络 论文解读
热门推荐
handsome_happy的博客
06-15 1万+
研究背景：机器学习界有三个主要学派，符号主义（Symbolicism）、连接主义（Connectionism）、行为主义（Actionism）。符号主义的起源，注重研究知识表达和逻辑推理。经过几十年的研究，目前这一学派的主要成果，一个是贝叶斯因果网络，另一个是知识图谱。贝叶斯因果网络的旗手是 Judea Pearl 教授，2011年的图灵奖获得者。但是据说 2017年 NIPS 学术会议上，老爷子...
BGNN：Bilinear Graph Neural Network with Neighbor Interactions. 2020. IJCAI
qq_41604424的博客
04-01 1078
BGNN Bilinear Graph Neural Network with Neighbor Interactions Motivation: 目前的GNN在聚合邻居信息的时候只是简单的加权求和，这种方式忽略了邻居之间的交互信息。捕获邻居之间的交互信息有两个困难：排列无关性；线性复杂度。 Method: 为了解决上述问题，我们提出一种新的GNN，该模型使用传统的线性聚合器和提出的双线性聚合器。通过双线性聚合器捕获邻居之间的交互信息。 利用邻接节点的交互用于aggregate结点feature作为目标节
【论文】(IJCAI20 知识图谱神经网络)KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction
进步青年
01-26 2159
KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction背景相关研究主流方法【特点】：多数据源的集成+流行的嵌入方法【缺点】：对药物**与靶点和基因等其他实体**之间的潜在**相关性关注较少**【具体相关工作】现有的知识图谱方法【特点】：直接学习节点的潜在嵌入【缺点】：无法获取KG中实体丰富的邻域信息【具体相关工作】论文方法：端到端的知识图谱神经网络（KGNN）框架framwork贡献 任务：药物相互作用预测 方法：
KGAT：Knowledge Graph Attention Network for Recommendation.pdf
08-09
Toprovidemoreaccurate,diverse,andexplainablerecommendation, it is compulsory to go beyond modeling user-item interactions andtakesideinformationintoaccount.Traditionalmethodslike factorizationmachine...
AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks
xiao_muyu的博客
01-25 2516
GraphDTA：用图神经网络预测药物-靶点结合亲和力 论文题目 GraphDTA: Predicting drug–target binding affinity with graph neural networks 论文出自 bioRxiv preprint，2020 使用图神经网络来预测药物与靶标的亲和力。将药物表示为分子图，因此该模型可以直接捕获原子间的键。 文章目录GraphDTA：用图神经网络预测药物-靶点结合亲和力一、**GraphDTA模型图：**二、实验结果？ 一、Gr
论文阅读 - DeepSBD: A Deep Neural Network Model with Attention Mechanism for Social Bot Detection - CCFA
qq_40671063的博客
12-25 1515
论文阅读 - DeepSBD: A Deep Neural Network Model with Attention Mechanism for Social Bot Detection - CCFA
AI医药论文笔记-DREAM: Drug-drug interaction extraction with enhanced dependency graph and attention mechan
xiao_muyu的博客
01-03 697
DREAM：增强依赖图和注意机制的药物相互作用提取
基于知识图的可解释推荐的层次注意图卷积网络
qq_39634092的博客
02-21 953
【阅读笔记】 准备认认真真写一篇完整的笔记！！！ 会是这一篇吗？？？ 期刊KBS的文章：HAGERec: Hierarchical Attention Graph Convolutional Network Incorporating Knowledge Graph for Explainable Recommendation 动机： 基于GCN的推荐大多数关注同构图或用户-物品相似图，未能充分利用异构只是图中实体间复杂而丰富的语义。这篇文章：HAGERec，从异构知识图的高阶连通性结构中探索用户的潜在偏好
Pushing the boundaries of molecular representation for drug discovery with graph attention mechanism
wakeupshely的博客
08-02 406
Attentive FP 2020
生物信息学|机制驱动的可解释深度神经网络，用于药物组合的协同预测和通路反卷积
ShenggengLin的博客
03-24 1924
0. 摘要     联合用药在癌症治疗方面显示出了巨大的潜力。不仅可以减轻耐药性，而且可以提高治疗效果。抗癌药物数量的快速增长已经导致所有药物组合的实验研究变得昂贵和耗时。计算技术可以提高药物联合筛选的效率。尽管最近在将机器学习应用于协同药物组合预测方面取得了进展，但仍存在一些挑战。首先，现有方法的性能是次优的。还有很大的改进空间。第二，生物知识没有完全融入到模型中。最后，许多模型缺乏可解释性，限制了它们的临床应用。为了应对这些挑战，我们开发了一种基于知识和自注意力机制的增强深度学习模型TranSynerg
BrainGNN:Interpretable+brain+graph+neural+network+for+fMRI+analysis.+Medical+Ima
03-05
它是基于图神经网络（Graph Neural Network，GNN）的方法，旨在对脑图数据进行建模和分析。 BrainGNN的主要目标是通过学习脑图数据中的结构和连接模式，来理解和解释脑功能活动。它可以用于识别脑区之间的功能连接...
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