亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

A model-agnostic framework to enhance knowledge graph-based drug combination prediction with drug–drug interaction data and supervised contrastive learning

计算机科学 机器学习 人工智能 图形 药品 药物与药物的相互作用 知识图 自然语言处理 理论计算机科学 医学 药理学
作者
Jeonghyeon Gu,Dongmin Bang,Jungseob Yi,Sangseon Lee,Dong Kyu Kim,Sun Kim
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (5) 被引量:1
标识
DOI:10.1093/bib/bbad285
摘要

Abstract Combination therapies have brought significant advancements to the treatment of various diseases in the medical field. However, searching for effective drug combinations remains a major challenge due to the vast number of possible combinations. Biomedical knowledge graph (KG)-based methods have shown potential in predicting effective combinations for wide spectrum of diseases, but the lack of credible negative samples has limited the prediction performance of machine learning models. To address this issue, we propose a novel model-agnostic framework that leverages existing drug–drug interaction (DDI) data as a reliable negative dataset and employs supervised contrastive learning (SCL) to transform drug embedding vectors to be more suitable for drug combination prediction. We conducted extensive experiments using various network embedding algorithms, including random walk and graph neural networks, on a biomedical KG. Our framework significantly improved performance metrics compared to the baseline framework. We also provide embedding space visualizations and case studies that demonstrate the effectiveness of our approach. This work highlights the potential of using DDI data and SCL in finding tighter decision boundaries for predicting effective drug combinations.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
25秒前
哈哈哈发布了新的文献求助10
30秒前
38秒前
今后应助junhan采纳,获得10
49秒前
junhan完成签到,获得积分10
59秒前
1分钟前
junhan发布了新的文献求助10
1分钟前
啦啦啦完成签到 ,获得积分10
1分钟前
英俊的铭应助瓜皮糖浆采纳,获得10
1分钟前
英俊的铭应助瓜皮糖浆采纳,获得10
1分钟前
能干的雨完成签到 ,获得积分10
1分钟前
EmmaZ完成签到,获得积分20
1分钟前
2分钟前
懒蛋发布了新的文献求助30
2分钟前
孙老师完成签到 ,获得积分10
3分钟前
thangxtz完成签到,获得积分10
4分钟前
5分钟前
5分钟前
Akim应助大气的以寒采纳,获得10
5分钟前
5分钟前
5分钟前
5分钟前
大气的以寒完成签到,获得积分10
5分钟前
瓜皮糖浆发布了新的文献求助10
5分钟前
kuoping完成签到,获得积分10
5分钟前
ding应助张暖暖采纳,获得10
6分钟前
6分钟前
6分钟前
张暖暖发布了新的文献求助10
6分钟前
Greenhand完成签到,获得积分10
7分钟前
张暖暖完成签到,获得积分20
7分钟前
Alger发布了新的文献求助10
7分钟前
frap完成签到,获得积分10
7分钟前
没有伞的青春完成签到 ,获得积分10
7分钟前
青衫完成签到 ,获得积分10
7分钟前
orixero应助sense采纳,获得10
8分钟前
wf完成签到,获得积分10
9分钟前
橘子味汽水完成签到,获得积分10
9分钟前
星星完成签到 ,获得积分10
9分钟前
9分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 910
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Saponins and sapogenins. IX. Saponins and sapogenins of Luffa aegyptica mill seeds (black variety) 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3261560
求助须知:如何正确求助?哪些是违规求助? 2902348
关于积分的说明 8319628
捐赠科研通 2572232
什么是DOI,文献DOI怎么找? 1397485
科研通“疑难数据库(出版商)”最低求助积分说明 653755
邀请新用户注册赠送积分活动 632240