بازگشت به جستجو

DRGAT: پیش‌بینی پاسخ‌های دارویی از طریق شبکه توجه گراف مبتنی بر انتشار

عنوان	DRGAT: پیش‌بینی پاسخ‌های دارویی از طریق شبکه توجه گراف مبتنی بر انتشار
نویسنده	سفر، امره
تاریخ انتشار:	2025-03-01
محل انتشار	- مری آن لیبرت
موضوع	شبکه عصبی نمودار، پیش‌بینی پاسخ دارویی، کشف دارو، انتشار، یادگیری عمیق
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	1066-5277
شماره ثبت	cf1d1973-06f6-40b4-b8bf-f840e74f2ed1
محل کتابخانه	علوم کامپیوتر
تاریخ	2025-03-01
یادداشت‌ها	TÜBİTAK
متن نمونه	پیش‌بینی دقیق پاسخ دارویی بسته به مشخصات ژنومی بیمار برای پیشبرد پزشکی شخصی‌شده حیاتی است. افزایش رویکردهای یادگیری عمیق و به‌ویژه ظهور شبکه‌های عصبی گراف که از مجموعه داده‌های omics در مقیاس بزرگ استفاده می‌کنند، محرک اصلی تحقیقات در این زمینه بوده است. با این حال، این مجموعه داده‌های بیولوژیکی، که معمولاً ابعاد بالایی دارند اما اندازه‌های نمونه کوچکی دارند، چالش‌هایی مانند تطبیق بیش از حد و تعمیم ضعیف در مدل‌های پیش‌بینی را ارائه می‌کنند. به عنوان یک موضوع پیچیده، داده‌های بیان ژن (GE) باید روابط پیچیده بین ژنی را ثبت کند و این مسائل را تشدید کند. در این مقاله، ما با معرفی یک روش پیش‌بینی پاسخ دارو، به نام شبکه توجه نمودار پاسخ به دارو (DRGAT)، این چالش‌ها را حل می‌کنیم که یک مدل ضمنی انتشار نویز برای تقویت داده‌ها را با یک شبکه توجه گراف (GAT) با ماژول پیش‌بینی انتشار همسایه مرتبه بالا (HO-GATs) ترکیب می‌کند. رویکرد پیشنهادی ما تقریباً 5 درصد بهبود در ناحیه زیر منحنی مشخصه عملکرد گیرنده در مقایسه با مدل‌های پیشرفته برای بسیاری از داروهای مورد مطالعه به دست آورد، که نشان‌دهنده قابلیت‌های تعمیم معقول روش ما است. علاوه بر این، آزمایش‌های ما پتانسیل مدل‌های مولد مبتنی بر انتشار، یک جزء اصلی روش ما، برای کاهش محدودیت‌های ذاتی مجموعه داده‌های omics را با تقویت موثر داده‌های GE تأیید می‌کنند.
DOI	10.1089/cmb.2024.0807
Cilt	32

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

DRGAT: پیش‌بینی پاسخ‌های دارویی از طریق شبکه توجه گراف مبتنی بر انتشار

نویسنده سفر، امره

تاریخ انتشار 2025-03-01

محل انتشار - مری آن لیبرت

موضوع شبکه عصبی نمودار، پیش‌بینی پاسخ دارویی، کشف دارو، انتشار، یادگیری عمیق

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 1066-5277

شماره ثبت cf1d1973-06f6-40b4-b8bf-f840e74f2ed1

محل کتابخانه علوم کامپیوتر

تاریخ 2025-03-01

یادداشت‌ها TÜBİTAK

متن نمونه پیش‌بینی دقیق پاسخ دارویی بسته به مشخصات ژنومی بیمار برای پیشبرد پزشکی شخصی‌شده حیاتی است. افزایش رویکردهای یادگیری عمیق و به‌ویژه ظهور شبکه‌های عصبی گراف که از مجموعه داده‌های omics در مقیاس بزرگ استفاده می‌کنند، محرک اصلی تحقیقات در این زمینه بوده است. با این حال، این مجموعه داده‌های بیولوژیکی، که معمولاً ابعاد بالایی دارند اما اندازه‌های نمونه کوچکی دارند، چالش‌هایی مانند تطبیق بیش از حد و تعمیم ضعیف در مدل‌های پیش‌بینی را ارائه می‌کنند. به عنوان یک موضوع پیچیده، داده‌های بیان ژن (GE) باید روابط پیچیده بین ژنی را ثبت کند و این مسائل را تشدید کند. در این مقاله، ما با معرفی یک روش پیش‌بینی پاسخ دارو، به نام شبکه توجه نمودار پاسخ به دارو (DRGAT)، این چالش‌ها را حل می‌کنیم که یک مدل ضمنی انتشار نویز برای تقویت داده‌ها را با یک شبکه توجه گراف (GAT) با ماژول پیش‌بینی انتشار همسایه مرتبه بالا (HO-GATs) ترکیب می‌کند. رویکرد پیشنهادی ما تقریباً 5 درصد بهبود در ناحیه زیر منحنی مشخصه عملکرد گیرنده در مقایسه با مدل‌های پیشرفته برای بسیاری از داروهای مورد مطالعه به دست آورد، که نشان‌دهنده قابلیت‌های تعمیم معقول روش ما است. علاوه بر این، آزمایش‌های ما پتانسیل مدل‌های مولد مبتنی بر انتشار، یک جزء اصلی روش ما، برای کاهش محدودیت‌های ذاتی مجموعه داده‌های omics را با تقویت موثر داده‌های GE تأیید می‌کنند.

DOI 10.1089/cmb.2024.0807

Cilt 32