化学药物组合推荐方法研究
这是一篇关于药物组合推荐,药物相互作用,药物-靶标关系,多信息融合的论文, 主要内容为组合用药是临床干预中重要组成部分,需要结合患者个体病情和用药方法、毒理副作用、药物相互作用等综合评估药物组合的疗效、安全性和耐受性,不合理的组合用药将给患者造成药物耐受性问题甚至严重的不良反应。传统的药物组合推荐方法基于药品说明书和医学文献等知识库开发专家系统,过于依赖人工设定的规则,且知识推理机制简单,难以处理复杂和模糊的真实临床信息,无法满足面向患者的个体化用药推荐。针对该问题,本文基于医学大数据和多种深度学习技术,实现结合多元异构药理数据完成个体化药物组合推荐。论文以临床用药推荐为研究对象,开展药物相互作用抽取、药物-靶标关系预测和药物组合推荐,设计实现化学药物组合推荐决策平台,主要工作如下:1.针对药物相互作用抽取过程中错误传播和实际应用过于依赖外部特征的问题,提出一种结合多粒度信息的多任务框架(Multi-Task model with Multi-Granularity information,MTMG),将药物相互作用抽取任务设计为序列标注任务,利用与药物命名实体识别任务间的相关性;设计两种句子级别语义粒度的辅助任务,利用数据集自身蕴含的先验知识为主任务提供训练指导。实验结果显示,MTMG在药物实体识别任务的F1值达0.925,在DDI抽取任务的F1值达0.777,综合指标overall F1值达0.851。2.针对现有药物-靶标关系预测方法未充分利用异构图中元图的结构特征等问题,提出一种基于元图辅助学习方法加强药靶节点特征表示的方法(Meta Graph-based method for predicting Drug-Target Interaction,MGDTI),从外部多源医学大数据中获取药物、蛋白质、疾病的相互关联知识,构造异构药物信息网络图,通过元图辅助学习方法获取药物、蛋白质、疾病的异构信息图中蕴含的节点间关系和语义特征,建立药物与靶标关系的预测模型。实验结果显示,MGDTI在药物-靶标关系预测任务的AUPR值达0.9417,AUROC值达到了0.9338,F1值达0.820。此外,top 128链路预测精确度达0.9688,top 256链路预测精确度达0.9414。3.针对现有基于电子健康病历的组合用药推荐方法未充分利用多种药物相互作用信息的问题,提出一种基于时序注意力机制和多信息融合的药物组合推荐模型(medication combination prediction using Temporal Attention Mechanism and and Multi-Data Fusion,TAMMDF),采用基于时间注意力机制的循环神经网络提取患者个体化特征,结合多种药理网络特征丰富外部药物知识以将降低药物相互作用率。实验结果显示,TAMMDF的Jaccard相似度达0.5267,F1值达0.6813,PRAUC值达0.7778,DDI率为0.0643。4.基于Spring Boot、My Batis和Vue.js等框架,采用Java、HTML和Java Script语言,设计并实现基于B/S架构的化学药物组合推荐决策平台,通过My SQL数据库进行数据持久化,实现药靶数据的流程化和信息化管理。平台具备用户管理、系统管理、药靶数据管理、药理性质挖掘和药物组合推荐等功能。
化学药物组合推荐方法研究
这是一篇关于药物组合推荐,药物相互作用,药物-靶标关系,多信息融合的论文, 主要内容为组合用药是临床干预中重要组成部分,需要结合患者个体病情和用药方法、毒理副作用、药物相互作用等综合评估药物组合的疗效、安全性和耐受性,不合理的组合用药将给患者造成药物耐受性问题甚至严重的不良反应。传统的药物组合推荐方法基于药品说明书和医学文献等知识库开发专家系统,过于依赖人工设定的规则,且知识推理机制简单,难以处理复杂和模糊的真实临床信息,无法满足面向患者的个体化用药推荐。针对该问题,本文基于医学大数据和多种深度学习技术,实现结合多元异构药理数据完成个体化药物组合推荐。论文以临床用药推荐为研究对象,开展药物相互作用抽取、药物-靶标关系预测和药物组合推荐,设计实现化学药物组合推荐决策平台,主要工作如下:1.针对药物相互作用抽取过程中错误传播和实际应用过于依赖外部特征的问题,提出一种结合多粒度信息的多任务框架(Multi-Task model with Multi-Granularity information,MTMG),将药物相互作用抽取任务设计为序列标注任务,利用与药物命名实体识别任务间的相关性;设计两种句子级别语义粒度的辅助任务,利用数据集自身蕴含的先验知识为主任务提供训练指导。实验结果显示,MTMG在药物实体识别任务的F1值达0.925,在DDI抽取任务的F1值达0.777,综合指标overall F1值达0.851。2.针对现有药物-靶标关系预测方法未充分利用异构图中元图的结构特征等问题,提出一种基于元图辅助学习方法加强药靶节点特征表示的方法(Meta Graph-based method for predicting Drug-Target Interaction,MGDTI),从外部多源医学大数据中获取药物、蛋白质、疾病的相互关联知识,构造异构药物信息网络图,通过元图辅助学习方法获取药物、蛋白质、疾病的异构信息图中蕴含的节点间关系和语义特征,建立药物与靶标关系的预测模型。实验结果显示,MGDTI在药物-靶标关系预测任务的AUPR值达0.9417,AUROC值达到了0.9338,F1值达0.820。此外,top 128链路预测精确度达0.9688,top 256链路预测精确度达0.9414。3.针对现有基于电子健康病历的组合用药推荐方法未充分利用多种药物相互作用信息的问题,提出一种基于时序注意力机制和多信息融合的药物组合推荐模型(medication combination prediction using Temporal Attention Mechanism and and Multi-Data Fusion,TAMMDF),采用基于时间注意力机制的循环神经网络提取患者个体化特征,结合多种药理网络特征丰富外部药物知识以将降低药物相互作用率。实验结果显示,TAMMDF的Jaccard相似度达0.5267,F1值达0.6813,PRAUC值达0.7778,DDI率为0.0643。4.基于Spring Boot、My Batis和Vue.js等框架,采用Java、HTML和Java Script语言,设计并实现基于B/S架构的化学药物组合推荐决策平台,通过My SQL数据库进行数据持久化,实现药靶数据的流程化和信息化管理。平台具备用户管理、系统管理、药靶数据管理、药理性质挖掘和药物组合推荐等功能。
化学药物组合推荐方法研究
这是一篇关于药物组合推荐,药物相互作用,药物-靶标关系,多信息融合的论文, 主要内容为组合用药是临床干预中重要组成部分,需要结合患者个体病情和用药方法、毒理副作用、药物相互作用等综合评估药物组合的疗效、安全性和耐受性,不合理的组合用药将给患者造成药物耐受性问题甚至严重的不良反应。传统的药物组合推荐方法基于药品说明书和医学文献等知识库开发专家系统,过于依赖人工设定的规则,且知识推理机制简单,难以处理复杂和模糊的真实临床信息,无法满足面向患者的个体化用药推荐。针对该问题,本文基于医学大数据和多种深度学习技术,实现结合多元异构药理数据完成个体化药物组合推荐。论文以临床用药推荐为研究对象,开展药物相互作用抽取、药物-靶标关系预测和药物组合推荐,设计实现化学药物组合推荐决策平台,主要工作如下:1.针对药物相互作用抽取过程中错误传播和实际应用过于依赖外部特征的问题,提出一种结合多粒度信息的多任务框架(Multi-Task model with Multi-Granularity information,MTMG),将药物相互作用抽取任务设计为序列标注任务,利用与药物命名实体识别任务间的相关性;设计两种句子级别语义粒度的辅助任务,利用数据集自身蕴含的先验知识为主任务提供训练指导。实验结果显示,MTMG在药物实体识别任务的F1值达0.925,在DDI抽取任务的F1值达0.777,综合指标overall F1值达0.851。2.针对现有药物-靶标关系预测方法未充分利用异构图中元图的结构特征等问题,提出一种基于元图辅助学习方法加强药靶节点特征表示的方法(Meta Graph-based method for predicting Drug-Target Interaction,MGDTI),从外部多源医学大数据中获取药物、蛋白质、疾病的相互关联知识,构造异构药物信息网络图,通过元图辅助学习方法获取药物、蛋白质、疾病的异构信息图中蕴含的节点间关系和语义特征,建立药物与靶标关系的预测模型。实验结果显示,MGDTI在药物-靶标关系预测任务的AUPR值达0.9417,AUROC值达到了0.9338,F1值达0.820。此外,top 128链路预测精确度达0.9688,top 256链路预测精确度达0.9414。3.针对现有基于电子健康病历的组合用药推荐方法未充分利用多种药物相互作用信息的问题,提出一种基于时序注意力机制和多信息融合的药物组合推荐模型(medication combination prediction using Temporal Attention Mechanism and and Multi-Data Fusion,TAMMDF),采用基于时间注意力机制的循环神经网络提取患者个体化特征,结合多种药理网络特征丰富外部药物知识以将降低药物相互作用率。实验结果显示,TAMMDF的Jaccard相似度达0.5267,F1值达0.6813,PRAUC值达0.7778,DDI率为0.0643。4.基于Spring Boot、My Batis和Vue.js等框架,采用Java、HTML和Java Script语言,设计并实现基于B/S架构的化学药物组合推荐决策平台,通过My SQL数据库进行数据持久化,实现药靶数据的流程化和信息化管理。平台具备用户管理、系统管理、药靶数据管理、药理性质挖掘和药物组合推荐等功能。
化学药物组合推荐方法研究
这是一篇关于药物组合推荐,药物相互作用,药物-靶标关系,多信息融合的论文, 主要内容为组合用药是临床干预中重要组成部分,需要结合患者个体病情和用药方法、毒理副作用、药物相互作用等综合评估药物组合的疗效、安全性和耐受性,不合理的组合用药将给患者造成药物耐受性问题甚至严重的不良反应。传统的药物组合推荐方法基于药品说明书和医学文献等知识库开发专家系统,过于依赖人工设定的规则,且知识推理机制简单,难以处理复杂和模糊的真实临床信息,无法满足面向患者的个体化用药推荐。针对该问题,本文基于医学大数据和多种深度学习技术,实现结合多元异构药理数据完成个体化药物组合推荐。论文以临床用药推荐为研究对象,开展药物相互作用抽取、药物-靶标关系预测和药物组合推荐,设计实现化学药物组合推荐决策平台,主要工作如下:1.针对药物相互作用抽取过程中错误传播和实际应用过于依赖外部特征的问题,提出一种结合多粒度信息的多任务框架(Multi-Task model with Multi-Granularity information,MTMG),将药物相互作用抽取任务设计为序列标注任务,利用与药物命名实体识别任务间的相关性;设计两种句子级别语义粒度的辅助任务,利用数据集自身蕴含的先验知识为主任务提供训练指导。实验结果显示,MTMG在药物实体识别任务的F1值达0.925,在DDI抽取任务的F1值达0.777,综合指标overall F1值达0.851。2.针对现有药物-靶标关系预测方法未充分利用异构图中元图的结构特征等问题,提出一种基于元图辅助学习方法加强药靶节点特征表示的方法(Meta Graph-based method for predicting Drug-Target Interaction,MGDTI),从外部多源医学大数据中获取药物、蛋白质、疾病的相互关联知识,构造异构药物信息网络图,通过元图辅助学习方法获取药物、蛋白质、疾病的异构信息图中蕴含的节点间关系和语义特征,建立药物与靶标关系的预测模型。实验结果显示,MGDTI在药物-靶标关系预测任务的AUPR值达0.9417,AUROC值达到了0.9338,F1值达0.820。此外,top 128链路预测精确度达0.9688,top 256链路预测精确度达0.9414。3.针对现有基于电子健康病历的组合用药推荐方法未充分利用多种药物相互作用信息的问题,提出一种基于时序注意力机制和多信息融合的药物组合推荐模型(medication combination prediction using Temporal Attention Mechanism and and Multi-Data Fusion,TAMMDF),采用基于时间注意力机制的循环神经网络提取患者个体化特征,结合多种药理网络特征丰富外部药物知识以将降低药物相互作用率。实验结果显示,TAMMDF的Jaccard相似度达0.5267,F1值达0.6813,PRAUC值达0.7778,DDI率为0.0643。4.基于Spring Boot、My Batis和Vue.js等框架,采用Java、HTML和Java Script语言,设计并实现基于B/S架构的化学药物组合推荐决策平台,通过My SQL数据库进行数据持久化,实现药靶数据的流程化和信息化管理。平台具备用户管理、系统管理、药靶数据管理、药理性质挖掘和药物组合推荐等功能。
化学药物组合推荐方法研究
这是一篇关于药物组合推荐,药物相互作用,药物-靶标关系,多信息融合的论文, 主要内容为组合用药是临床干预中重要组成部分,需要结合患者个体病情和用药方法、毒理副作用、药物相互作用等综合评估药物组合的疗效、安全性和耐受性,不合理的组合用药将给患者造成药物耐受性问题甚至严重的不良反应。传统的药物组合推荐方法基于药品说明书和医学文献等知识库开发专家系统,过于依赖人工设定的规则,且知识推理机制简单,难以处理复杂和模糊的真实临床信息,无法满足面向患者的个体化用药推荐。针对该问题,本文基于医学大数据和多种深度学习技术,实现结合多元异构药理数据完成个体化药物组合推荐。论文以临床用药推荐为研究对象,开展药物相互作用抽取、药物-靶标关系预测和药物组合推荐,设计实现化学药物组合推荐决策平台,主要工作如下:1.针对药物相互作用抽取过程中错误传播和实际应用过于依赖外部特征的问题,提出一种结合多粒度信息的多任务框架(Multi-Task model with Multi-Granularity information,MTMG),将药物相互作用抽取任务设计为序列标注任务,利用与药物命名实体识别任务间的相关性;设计两种句子级别语义粒度的辅助任务,利用数据集自身蕴含的先验知识为主任务提供训练指导。实验结果显示,MTMG在药物实体识别任务的F1值达0.925,在DDI抽取任务的F1值达0.777,综合指标overall F1值达0.851。2.针对现有药物-靶标关系预测方法未充分利用异构图中元图的结构特征等问题,提出一种基于元图辅助学习方法加强药靶节点特征表示的方法(Meta Graph-based method for predicting Drug-Target Interaction,MGDTI),从外部多源医学大数据中获取药物、蛋白质、疾病的相互关联知识,构造异构药物信息网络图,通过元图辅助学习方法获取药物、蛋白质、疾病的异构信息图中蕴含的节点间关系和语义特征,建立药物与靶标关系的预测模型。实验结果显示,MGDTI在药物-靶标关系预测任务的AUPR值达0.9417,AUROC值达到了0.9338,F1值达0.820。此外,top 128链路预测精确度达0.9688,top 256链路预测精确度达0.9414。3.针对现有基于电子健康病历的组合用药推荐方法未充分利用多种药物相互作用信息的问题,提出一种基于时序注意力机制和多信息融合的药物组合推荐模型(medication combination prediction using Temporal Attention Mechanism and and Multi-Data Fusion,TAMMDF),采用基于时间注意力机制的循环神经网络提取患者个体化特征,结合多种药理网络特征丰富外部药物知识以将降低药物相互作用率。实验结果显示,TAMMDF的Jaccard相似度达0.5267,F1值达0.6813,PRAUC值达0.7778,DDI率为0.0643。4.基于Spring Boot、My Batis和Vue.js等框架,采用Java、HTML和Java Script语言,设计并实现基于B/S架构的化学药物组合推荐决策平台,通过My SQL数据库进行数据持久化,实现药靶数据的流程化和信息化管理。平台具备用户管理、系统管理、药靶数据管理、药理性质挖掘和药物组合推荐等功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://bishedaima.com/lunwen/52453.html
