Comprehensive evaluation of deep and graph learning on drug-drug interactions prediction

要約

人工知能 (AI) および深層学習モデルとグラフ学習モデルの最近の進歩と成果は、生物医学応用、特に薬物間相互作用 (DDI) における有用性を確立しました。
DDI とは、人体内での別の薬物の存在によるある薬物の効果の変化を指し、これは創薬や臨床研究において重要な役割を果たします。
従来の臨床試験や実験による DDI の予測は、費用と時間がかかるプロセスです。
高度な AI とディープ ラーニングを正しく適用するために、開発者とユーザーは、データ リソースの可用性とエンコード、計算手法の設計など、さまざまな課題に直面します。
このレビューは、化学構造ベース、ネットワーク ベース、NLP ベース、およびハイブリッド手法を要約し、さまざまな分野の知識を持つ広範な研究者および開発コミュニティに最新かつアクセスしやすいガイドを提供します。
広く使用されている分子表現を紹介し、分子構造を表現するためのグラフ ニューラル ネットワーク モデルの理論的枠組みについて説明します。
比較実験を行うことで、深層学習とグラフ学習の手法の長所と短所を示します。
潜在的な技術的課題について議論し、DDI 予測を加速するためのディープ ラーニング モデルとグラフ ラーニング モデルの将来の方向性を強調します。

要約(オリジナル)

Recent advances and achievements of artificial intelligence (AI) as well as deep and graph learning models have established their usefulness in biomedical applications, especially in drug-drug interactions (DDIs). DDIs refer to a change in the effect of one drug to the presence of another drug in the human body, which plays an essential role in drug discovery and clinical research. DDIs prediction through traditional clinical trials and experiments is an expensive and time-consuming process. To correctly apply the advanced AI and deep learning, the developer and user meet various challenges such as the availability and encoding of data resources, and the design of computational methods. This review summarizes chemical structure based, network based, NLP based and hybrid methods, providing an updated and accessible guide to the broad researchers and development community with different domain knowledge. We introduce widely-used molecular representation and describe the theoretical frameworks of graph neural network models for representing molecular structures. We present the advantages and disadvantages of deep and graph learning methods by performing comparative experiments. We discuss the potential technical challenges and highlight future directions of deep and graph learning models for accelerating DDIs prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google