AI医药论文笔记--MUFFIN: multi-scale feature fusion for drug–drug interaction prediction

最新推荐文章于 2023-07-31 09:22:28 发布
最新推荐文章于 2023-07-31 09:22:28 发布
阅读量3.2k 收藏 5
点赞数 3
分类专栏： AI与药物联合疗法 文章标签： 人工智能 深度学习 ddi
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/122685734
版权

MUFFIN:多尺度特征融合预测药物-药物相互作用

论文题目 MUFFIN: multi-scale feature fusion for drug–drug interaction prediction
论文出自 Bioinformatics, 2021, 1–8

一、研究现状？

以往的研究利用大量的标记数据，仅仅考虑药物的结构或序列信息，而没有考虑药物与其他生物医学对象(如基因、疾病、通路)之间的关系或拓扑信息，或仅考虑知识图(KG)而不考虑药物分子结构信息。

二、MUFFIN模型？

MUFFIN是一种基于药物化学结构和生物医学KG的DDI预测深度学习框架，可以联合学习基于药物自身结构信息和具有丰富生物医学信息的KG的药物表征。

引入了两级架构，包括交叉级和标量级模块，可以融合不同粒度的内部和外部特性。

(i)交叉级是对不同的特征进行叉乘运算，对局部特征(基于CNN)和全局特征进行提取和聚合;

(ii)标量级通过元素积提取出许多细粒度融合特征。
在这里插入图片描述
由三个模块组成：

(a)表示学习模块(左):MUFFIN利用药物结构信息，将其输入MPN

最低0.47元/天 解锁文章
努力AC的潇潇
关注
专栏目录
(Multi-scale feature fusion residual network for Single ImageSuper-Resolution)论文阅读
qq_40107571的博客
06-24 1157
代码：https://github.com/QinJinghui/MSFFRN 摘要：大多数SR方法没有利用LR的多尺度特征去提升网络的表示能力。此外，他们也并没有利用网络间的层次特征。作者提出了一种多尺度特征融合残差网络（MSFFRN）。作者基于残差学习，提出了多尺度特征融合残差块（MSFFRB）去检测和融合不同尺度的特征。此外，MSFFRB和浅层特征被用作不同层次的特征用于全局特征融合。最后，作者基于融合的全局特征重建HR图像。文献综述：SRCNN是第一个用于SR的网络，自此以后越来越多的研究围绕着卷积
Drug-drug Interaction Prediction with Graph Representation Learning
qq_41200212的博客
03-28 360
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。
Multi-Scale Deep Feature Fusion for Vehicle Re-Identification翻译（IEEE2020）
weixin_42666085的博客
04-13 1696
多尺度深度特征融合的车辆重识别 摘要 由于类间距离小，车辆重识别(re-id)具有挑战性。相似车辆之间的差异可能非常细微，只能在特定的尺度和语义级别上被捕获。在本文中，我们提出了一种新颖的多尺度深度特征融合网络(MSDeep)，可同时执行多尺度和多层次特征以实现精确的车辆重识别。基于骨干深度卷积神经网络，MSDeep主要包含两个模块：1)多尺度融合(MSF)模块，将多尺度流的组合封装为MSF特征；...
【论文笔记】Multi-scale Feature Fusion：Learning Better Semantic Segmentation for Road Pothole Detection
m0_61899108的博客
02-07 3202
论文 论文题目：MULTI-SCALE FEATURE FUSION: LEARNING BETTER SEMANTIC SEGMENTATION FOR ROAD POTHOLE DETECTION 发表于：CVPR 2021 论文地址：https://arxiv.org/pdf/2112.13082.pdf 摘要 本文提出了一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取视觉特征，然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，研究者采
AI医药论文解读--Drug-drug Interaction Prediction with Graph Representation Learning
xiao_muyu的博客
12-09 1234
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
生物信息学|基于多尺度特征融合的药物-药物相互作用预测
ShenggengLin的博客
03-24 2011
0. 摘要     动机:不良药物-药物相互作用(DDIs)是药物研究的重要内容，是药物发病和死亡的主要原因。因此，识别潜在的DDIs对于医生、患者和社会都是至关重要的。现有的传统机器学习模型严重依赖手工特征，缺乏泛化。近年来，深度学习方法能够自动从分子图或药物相关网络中学习药物特征，提高了计算模型预测未知ddi的能力。然而，以往的研究都是利用大量的标记数据，只考虑药物的结构或序列信息，而没有考虑药物与其他生物医学对象(如基因、疾病、通路等)之间的关系或拓扑信息，或者只考虑知识图谱(KG)，而没有考虑药物分
cookiecutter-muffin:Muffin框架的cookiecutter模板
05-13
$ cookiecutter https://github.com/drgarcia1986/cookiecutter-muffin.git 在线示例 。 路线图 使用Ansible进行配置。 使用Docker和docker-compose进行容器化。 单元测试 另一个应用程序（可能是摘要列表）。
factory-muffin-faker:假货的包装纸，用于工厂松饼
05-29
请注意，该库实际上并不需要 Factory Muffin 才能工作，因此也可以在其他地方使用。 这个库的全部意义在于将 Faker 包装在闭包中，以便可以在以后执行实际的生成。 安装 5.4+ 和 。 在您的 composer.json 中，只...
muffin-grpc:GRPC对Muffin框架的支持
04-13
Muffin-GRPC-对框架的GRPC支持。 特征： 自动为它们构建原型文件和python帮助器； 自动连接到默认频道； 通过您的服务自动创建并运行GRPC服务器； 内容 python> = 3.7 笔记 该插件仅支持asyncio evenloop（不...
muffin-prometheus:适用于Muffin框架的Prometheus指标导出器
04-13
Muffin-Prometheus-用于框架的指标导出器 内容 要求 python> = 3.7 安装 Muffin-prometheus应该使用pip安装： pip install muffin-prometheus 用法 初始化并设置插件： import muffin import muffin_babel # ...
【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 2133
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：
AI医药论文笔记--Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction
xiao_muyu的博客
01-02 664
MSAN:用于药物相互作用预测的子结构感知网络 作者是第一个在DDI预测任务中引入类似Transformer的模块来提取分子子结构模式。我们用一个简单而有效的相似性计算模块进一步模拟了分子间子结构相互作用。 引入了一种新的基于子结构的数据增强方法。在图编码之前执行子结构丢弃增强，以减轻过度拟合。
论文解读：KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction
mysky54的博客
04-01 3157
一、背景 药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时，药物之间所产生的相互作用，而该相互作用可能会导致意想不到的副作用。 总结归纳现有DDI预测方法，大致可分为两大类。一类是分子表示，主要聚焦于药物分子的特征学习。这类方法都基于同样的假设：即具有相似嵌入表示的药物分子将会表现出相似的DDI。 另一类常用的DDI预测方法是基于网络嵌入的方法，通过构建各种与药物有关的生物网络，在这个网络中，将药物看作网络中的节点，通过学习节点的嵌入表示来预测潜在的边，即DDI的关系。构建映射关系网络也有多
论文笔记MultiTrans: Multi-scale feature fusion transformer with transfer learning strategy
最新发布
Stark_Z的博客
07-31 460
为了辅助医生进行精确分割头颈部危及器官（OARs）分割，提出了一种具有多尺度特征融合模块的MultiTrans框架。此外，我们还提出了一种迁移学习策略，通过将数据量大的器官的权值参数作为数据量小的器官的预训练权值参数，有效地提高了模型对小器官的分割性能。
多尺度特征融合
热门推荐
whaosoft143ai的博客
10-12 1万+
最后，使用研究者提出的多尺度特征融合模块融合相邻层中的特征图，这进一步减少了不同特征通道层之间的语义差距。然而，由于不同尺度的特征图之间的语义差距，他们取得的改进非常有限。首先，采用预训练的dilated ResNet-101作为主干来提取视觉特征，还在最后两个ResNet-101块中用空洞卷积替换下采样操作，因此最终特征图的大小是输入图像的1/8。总之，研究者利用矩阵乘法来测量来自不同层的特征图中像素的相关性，将来自较低特征图的详细信息整合到最终输出中，从而提高了坑洞边界的语义分割性能。
多尺度特征融合的目标检测算法-论文解读
oijdkd的博客
09-21 4423
1.论文声称的创新点   论文中的创新点主要体现在网络结构的创新上，作者提出了一种基于SSD多尺度特征融合（Multi-scale Feature Fusion Single Shot Detector，MFF-SSD）的目标检测模型。将高层特征与低层特征进行融合，并提出了融合模块，实现不同尺度的特征提取。   高层特征图对目标的抽象程度更深，包含充分的全局信息，具有较大的感受野和较强的上下文语义信息表征能力，因此对目标位置的判定更加准确；而低层特征图的空间分辨率要高于高层特征图，能够更加准确地识别出更多的
多尺度特征融合：学习更好的语义分割用于坑洼道路检测
ginigini的博客
12-29 3718
文章题目：MULTI-SCALE FEATURE FUSION: LEARNING BETTER SEMANTIC SEGMENTATION FOR ROAD POTHOLE DETECTION 论文提交时间：2021年12月24日 代码：未公布 文章链接：https://arxiv.org/abs/2112.13082 摘要：它首先使用卷积神经网络从输入图像中提取视觉特征。然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，我们采用了一个多孔空间金字塔池化模块（ASPP）（由串联的多
最新！3D目标检测论文汇总（多模态融合）
3D视觉工坊
01-23 3555
作者丨柒柒@知乎来源丨https://zhuanlan.zhihu.com/p/447555827编辑丨3D视觉工坊这篇文章主要是梳理一下近期3D Detection的进展，分类列举出一些...
Drug-Target Interaction 预测中的几个数据库
dahaiyudong的博客
07-07 4868
自从 Yamanishi Y et. al. 发表论文 Yamanishi Y, Araki M A, Honda W, et al. Prediction of drug-target interaction networks from the integration of chemical and genomic spaces[J]. Bioinformatics, 2008, 24(
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