ShenggengLin的博客

本篇推文引自：Structure-Based Drug-Drug Interaction Detection via Expressive Graph Convolutional Networks and Deep Sets1. 摘要    在这项工作中，我们提出了一种利用图卷积网络和深集(deep sets),基于分子结构的药物药物相互作用检测方法。与传统的GCN相比，我们提出了一个更具鉴别性的卷积层，在不丧失捕获复杂相互作用的能力的情况下实现置换不变预测（置换不变预测应该指的是，药物A与药物B的相互

本篇推文引自：A multimodal deep learning framework for predicting drug–drug interaction events1. 摘要    动机:药物-药物相互作用(DDIs)是药物研究的主要关注之一。很多基于机器学习的方法被提出用于DDI的预测，但大多数都是预测两种药物是否相互作用。研究发现DDIs可引起不同的后续事件，预测DDI相关事件更有助于探讨联合用药或不良反应背后隐藏的机制。    结果:在本文中，我们从DrugBank数据库中收集DDIs

本篇推文引自：DPDDI: a deep predictor for drug-drug interactions1. 摘要    在本工作中，我们提出了一种新的方法(即DPDDI)，利用图卷积网络(GCN)和深度神经网络(DNN)模型作为预测器，从DDI网络中提取药物的网络结构特征，从而预测DDIs。GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量，训练一个DNN，用于预测潜在的药物-药物相互作用。实验结果表明，

本篇推文引自：Anti-cancer Drug Synergy Prediction in Understudied Tissues using Transfer Learning1. 摘要    动机:高通量组合药物筛选在确定癌症治疗方案上具有优势。一个关键的挑战是，对不同类型癌症的体外药物反应的观察积累数量差异很大，其中一些组织(如骨和前列腺)的研究不足。因此，本文的目标是建立一个药物协同预测模型，以克服缺乏研究的组织数据短缺问题。    结果:从六个不同的数据库中收集了一套完整的癌细胞的遗传、分

1. 摘要    药物靶标相互作用(DTIs)在靶向药物的发现和开发中起着至关重要的作用。DTIs的计算预测可以有效地补充湿实验室技术对DTIs的识别。然而，现有的DTI预测方法存在精度低、假阳性率高的问题。本文提出了一种基于级联深度森林模型的预测方法，命名为DTI-CDF。在实验中，本文在三种不同的数据集实验设置下构建了5个重复的10倍交叉验证。实验结果表明，本文提出的DTI-CDF方法比传统的基于集成学习的方法如随机森林和XGBoost、深度神经网络以及最新的DDR方法取得了显著的性能提升。此外，有1

1. 摘要    确定药物-靶标相互作用(DTIs)是药物发现和药物重新定位的重要步骤。为了大大降低实验成本，蓬勃发展的机器学习被应用到这个领域，并发展了许多计算方法，特别是二分类方法。然而，目前的方法在性能上还有很大的改进空间。多标签学习可以减少二分类学习所面临的困难，并且具有很高的预测性能，目前还没有得到广泛的探索。它面临的关键挑战是指数大小的输出空间。本篇文章引入DTIs预测的社区检测方法DTI-MLCD来促进多标签分类。此外本文更新了2008年提出并至今仍在使用的黄金标准数据集。本文提出的DTI-