DDIMDL首先分别利用四种药物特征:化学子结构、靶点、酶和通道,构建基于深度神经网络的子模型,然后采用联合DNN框架组合子模型,学习药物-药物对的跨模态表征,预测药物与药物相互作用(DDI, drug–drug interactions )。 1 引言 许多基于机器学习的DDI预测方法已经被提出,大致分为四类:基于相似度的方法、基于网络的方法、...
作者从DrugBank数据库中得到了4种feature和65类DDI事件,并提出了一个叫做DDIMDL的多模态深度学习框架用以组合这四种feature并通过深度学习方法预测DDI。实验结果表明,相较于其他方法,DDIMDL框架无论是在效率还是在准确度方面都有很好的表现。 一、研究背景 近年来,人们同时服用两种或两种以上药物的情况越来越普遍,尤其...
多模态数据的表征学习是深度学习框架中的核心问题之一。传统的方法是将每种类型的数据分别输入到不同的神经网络中进行训练,但这种方法不能充分利用多模态数据之间的相关性。因此,研究者们提出了一系列基于多模态数据的表征学习方法。 一种常用的方法是将多模态数据通过共享层进行融合。共享层可以提取多模态数据共同的特...
作者提出了一个多模态深度学习框架— DDIMDL。它将不同的药物特征与深度学习相结合,建立了一个预测药物相互作用相关事件的模型。DDIMDL首先分别利用四种药物特征:化学子结构、靶点、酶和通道,构建基于深度神经网络的子模型,然后采用联合DNN框架组合子模型,学习药物-药物对的跨模态表征,预测药物与药物相互作用(DDI, drug...
本研究通过构建多模态深度学习框架 MultiPPIMI，显著提升了蛋白质相互作用的预测效率和准确性。蛋白质相互作用（PPI）在众多生物过程和疾病中扮演至关重要的角色。尽管如此，大多数现有的计算方法在识别 PPI 调节剂时都有所局限，它们通常需要靶标的结构或已知调节剂作为参考，这限制了它们在新型 PPI 靶标上的应用。为...
本研究通过构建多模态深度学习框架 MultiPPIMI,显著提升了蛋白质相互作用的预测效率和准确性。 蛋白质相互作用(PPI)在众多生物过程和疾病中扮演至关重要的角色。尽管如此,大多数现有的计算方法在识别 PPI 调节剂时都有所局限,它们通常需要靶标的结构或已知调节剂作为参考,这限制了它们在新型 PPI 靶标上的应用。
作者提出了一个多模态深度学习框架— DDIMDL。它将不同的药物特征与深度学习相结合,建立了一个预测药物相互作用相关事件的模型。DDIMDL首先分别利用四种药物特征:化学子结构、靶点、酶和通道,构建基于深度神经网络的子模型,然后采用联合DNN框架组合子模型,学习药物-药物对的跨模态表征,预测药物与药物相互作用(DDI, ...
所以,章文教授课题组提出将多种药物特征与深度学习相结合的计算方法DDIMDL来预测药物-药物相互作用事件类型。论文主要贡献在于 (1)标准化DDI事件划分流程,开发了DDI事件划分 Predicting drug–disease associations through layer attention graph convolutional network 论文解析...
品玩9月21日讯,据HuggingFace页面显示,西安交通大学近日联手旷视科技、清华大学和华中科技大学的研究者共同发布一款名为DreamLLM的深度学习框架。 论文显示,DreamLLM 基于两个基本原则运行。首先是通过在原始多模态空间中直接采样,重点对语言和图像后验进行生成建模。这种方法规避了 CLIP 等外部特征提取器固有的局限性和...
与SupCon的关系:SupCon是图像对比学习,训练数据每对pair都是图像,共用一个Encoder;而BiC针对的是跨模态对比学习,图片和文本跨模态对齐。但是两者的核心思路都是根据有label数据,将batch内出现样本更多置为正样本。 与CLIP的关系:和CLIP的主要差别在于,利用label信息将一部分非对角线上的元素视为正样本。如果这里不使用...