AI医药论文笔记--SSI–DDI: substructure–substructure interactions for drug–drug interaction prediction

最新推荐文章于 2024-10-04 22:36:54 发布
最新推荐文章于 2024-10-04 22:36:54 发布
阅读量3.4k 收藏 2
点赞数 3
分类专栏： AI与药物联合疗法 文章标签： 人工智能 神经网络 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/122686062
版权

SSI-DDI:用于药物相互作用预测的亚结构-亚结构相互作用

论文题目 SSI–DDI: substructure–substructure interactions for drug–drug interaction prediction
论文出自 Briefings in Bioinformatics,00(0), 2021, 1–10 
         |

文章目录

一、研究问题设置？

在这里插入图片描述

二、模型描述？

  • 前置内容-GAT

    为了得到GAT的第l + 1层的节点特征：

在这里插入图片描述

  • 模型架构
    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
专栏目录
SSI-DDI：基于子结构相互作用的药物-药物反应预测
白景屹的博客
09-18 1868
目录背景介绍模型描述问题设置前置内容GAT 背景介绍 模型来自 “SSI–DDI: substructure–substructure interactions for drug–drug interaction prediction”，文章提出一种深度学习框架：SSI-DDI，该框架直接操作于药物的原始分子图，它将两种药物之间的DDI预测任务分解为识别它们各自子结构之间的成对相互作用。 同时使用两种或两种以上药物的做法在处理同时患有多个疾病或当需要多种药物的协同作用治疗疾病时很常见。但是同时服用几种药物可
SSI–DDI: substructure–substructure interactions for drug–drug interaction prediction
qq_41200212的博客
01-07 561
一个考虑子结构-子结构相互作用的drug-drug interaction深度学习框架。
2024-AIDD-人工智能药物设计设计思路-Artificial Intelligence for Drug Design
itwangyang520的博客
05-10 555
在进行AIDD时，需要综合考虑多个因素，包括靶点的生物学特性、化合物的化学结构、药物的药动学和药效学特性等。此外，还需要关注药物的安全性和耐受性。
AI为药物开发助力两篇文章介绍
MOL
08-22 876
我们想改进上一步的分子，在这个阶段，我们需要一些技术，包括生成新分子（generating new molecules），我们需要一些关于分子性质预测（property prediction）的技术，我们需要一些关于逆合成（ retrosynthesis）的技术。传统的药物发现过程从最初的药物发现到获得FDA的批准是非常漫长的，通常需要10年以上的时间。我们可以看到，与之前的baseline相比，与仅使用质transformer相比，与仅使用 GNN 相比，我们的方法在所有这些方法中取得了最好的效果。
AI医药论文笔记--Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction
xiao_muyu的博客
01-02 654
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。
GMPNN：Drug-drug interaction prediction with learnable size-adaptive molecular substructures.
weixin_42324904的博客
05-31 449
GMPNN：Drug-drug interaction prediction with learnable size-adaptive molecular substructures. MPNN介绍 https://blog.csdn.net/oldmao_2001/article/details/113571930?spm=1001.2014.3001.5506 MPNN可看上面的这篇博客，我觉得这篇写得比较形象，需要注意的是，MPNN并不是一个模型，而是一类框架，其中心思想就是三个步骤1.消息传递 2.
Drug–drug interaction prediction with learnable size-adaptive molecular substructures
qq_41200212的博客
05-09 439
药物-药物相互作用（DDIs）是指两种或两种以上不相容的药物一起使用对身体产生不良反应的相互作用。DDIs可能是由相关药物的化学成分引起的。基于药物化学知识，即药物是一个实体由不同的官能团/化学子结构决定所有的药代动力学（如何处理生物）和药效学（它如何影响组织）属性，并决定最终的相互作用。介绍了门控消息传递神经网络（GMPNN），从药物的分子图表示中学习不同大小和形状的化学子结构，用于一对药物之间的DDI预测。GMPNN中，边被认为是控制消息传递流的门，因此以一种可学习的方式划分子结构。
webpack-ssi-include-loader:废弃寻找 SSI 的 html 内容包括模板字符串，
05-29
Webpack SSI 包含加载器 描述 这个包的创建是为了帮助那些必须使用 SSI 和 webpack 的开发人员。 它将有助于设置开发环境。 扫描 html 内容寻找模式，如： <!--#include virtual="/your/path/file.html" --&gt...
数据融合matlab代码-Cross-View-Learning-From-SSI:从骨骼自相似中学习表示形式以进行跨视图动作识别
05-22
在这项工作中，我们通过制定人体骨骼的自相似图像（SSI）提出了视图不变的描述，并相应地引入了一种多流神经网络，以从不同尺度的SSI学习不变表示。 SSI和方法概述 环境与安装 该存储库是在CUDA10.1和python2.7中的...
cert-manager-cluster-issuers:kustomization组件目标，它将安装两个Cert-Manager ClusterIssuer对象（PSI Public-SIgned-Issuer和SSI Self-Signed-Issuer）
04-12
`cert-manager-cluster-issuers` 组件包含两个 `ClusterIssuer` 对象，即 `PSI Public-Signed-Issuer` 和 `SSI Self-Signed-Issuer`： 1. **PSI Public-Signed-Issuer**：这个 `ClusterIssuer` 配置了公共签署者，...
aries-cloudagent-webhook-relay:Hyperledger Aries Cloud Agent-Webhook中继
05-08
Hyperledger Aries Cloud Agent-Webhook中继 该目前要求ACA-PY控制器主机数网络挂接的端点，以描述接收关于代理状态更新。 由于无法公开此类端点，因此这给移动ACA-Py控制器客户端带来了一个问题。...
DSN-DDI: an accurate and generalized framework for drug–drug interaction prediction by dual-view rep
qq_41200212的博客
01-18 1047
框架图
基于可学习尺寸自适应分子亚结构的药物相互作用预测
weixin_43996337的博客
11-17 1908
来源：https://doi.org/10.1093/bib/bbab441 源代码：https://github.com/kanz76/GMPNN-CS 摘要：药物-药物相互作用（DDI）是指当两种或两种以上不相容药物同时服用时，对身体产生不良影响的相互作用。它们可能是由所涉及药物的化学成分引起的。我们介绍了门控信息传递神经网络（GMPNN），这是一种信息传递神经网络，它从药物的分子图表示中学习具有不同大小和形状的化学子结构，用于预测一对药物之间的DDI。在GMPNN中，边被视为控制消息传递流的门，因此以
用于药物反应预测的自适应大小的子结构学习
白景屹的博客
02-17 1671
目录子结构学习的引言相关工作的回顾药物的表示DDI预测方法问题描述门限消息传递网络提取子结构 子结构学习的引言 药物化学的理论表明，药物是一个简单的实体，其由不同的官能团（或者化学子结构）组成，这些子结构决定了药代动力学特性（生物体如何处理它）和药效学特性（它如何影响生物体），以及最终的交互反应。为此，研究人员提出了基于子结构学习的DDI预测方法。 首先，药物在分子图表示的基础上被表示成一个graph，为了从药物的graph中提取子结构，作者提出一个消息传递网络，其中，边具有可学习的权重，权重值约束在0到
2020 IJCAI 接受论文 list 分类排列（二）
热门推荐
u014546828的博客
08-23 2万+
2020 IJCAI 接受论文 list 分类排列（一） 2020 IJCAI 接受论文 list 分类排列（二） 2020 IJCAI 接受论文 list 分类排列（三） 目录 Main track (Humans and AI) Main track (Knowledge Representation and Reasoning) Main track (Machine Learning) Main track (Machine Learning Applications) Mai.
药物设计的深度学习(Deep Learning for Drug Design)
DrugAI
05-27 1万+
翻译《Deep Learning for Drug Design: an Artificial Intelligence Paradigm for Drug Discovery in the Big Data Era》 摘要 过去的十年中，深度学习（deeplearning, DL）方法已经非常成功并广泛用于开发几乎每个领域的人工智能（AI）。与传统的机器学习（machine...
基于Keras的U-Net模型在图像分割与计数中的应用
最新发布
深度学习实战训练营，一起交流探索深度学习
10-04 1500
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
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