DcDiRNeSa, Drug Combination Prediction by Integrating Dimension Reduction and Negative Sampling Techniques
محل انتشار: مجله هوش مصنوعی و داده کاوی، دوره: 11، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 58
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JADM-11-3_007
تاریخ نمایه سازی: 20 دی 1402
چکیده مقاله:
The search for effective treatments for complex diseases, while minimizing toxicity and side effects, has become crucial. However, identifying synergistic combinations of drugs is often a time-consuming and expensive process, relying on trial and error due to the vast search space involved. Addressing this issue, we present a deep learning framework in this study. Our framework utilizes a diverse set of features, including chemical structure, biomedical literature embedding, and biological network interaction data, to predict potential synergistic combinations. Additionally, we employ autoencoders and principal component analysis (PCA) for dimension reduction in sparse data. Through ۱۰-fold cross-validation, we achieved an impressive ۹۸ percent area under the curve (AUC), surpassing the performance of seven previous state-of-the-art approaches by an average of ۸%.
کلیدواژه ها:
نویسندگان
Mina Tabatabaei
School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran.
Hossein Rahmani
School of Computer engineering, Iran University of Science and Technology, Tehran, Iran.
Motahareh Nasiri
School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :