ترجمه فارسی مقاله DRExplainer: تفسیرپذیری کمی در پیش‌بینی پاسخ دارویی با گراف مستقیم شبکه کانولوشن

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی DRExplainer: Quantifiable Interpretability in Drug Response Prediction with Directed Graph Convolutional Network
عنوان مقاله به فارسی DRExplainer: تفسیرپذیری کمی در پیش‌بینی پاسخ دارویی با گراف مستقیم شبکه کانولوشن
نویسندگان Haoyuan Shi, Tao Xu, Xiaodi Li, Qian Gao, Junfeng Xia, Zhenyu Yue
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 22 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Predicting the response of a cancer cell line to a therapeutic drug is pivotal for personalized medicine. Despite numerous deep learning methods that have been developed for drug response prediction, integrating diverse information about biological entities and predicting the directional response remain major challenges. Here, we propose a novel interpretable predictive model, DRExplainer, which leverages a directed graph convolutional network to enhance the prediction in a directed bipartite network framework. DRExplainer constructs a directed bipartite network integrating multi-omics profiles of cell lines, the chemical structure of drugs and known drug response to achieve directed prediction. Then, DRExplainer identifies the most relevant subgraph to each prediction in this directed bipartite network by learning a mask, facilitating critical medical decision-making. Additionally, we introduce a quantifiable method for model interpretability that leverages a ground truth benchmark dataset curated from biological features. In computational experiments, DRExplainer outperforms state-of-the-art predictive methods and another graph-based explanation method under the same experimental setting. Finally, the case studies further validate the interpretability and the effectiveness of DRExplainer in predictive novel drug response. Our code is available at: https://github.com/vshy-dream/DRExplainer.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی پاسخ یک رده سلولی سرطان به یک داروی درمانی برای داروهای شخصی محوری است.علیرغم بسیاری از روشهای یادگیری عمیق که برای پیش بینی پاسخ به مواد مخدر تهیه شده اند ، ادغام اطلاعات متنوع در مورد موجودات بیولوژیکی و پیش بینی پاسخ جهت دار همچنان چالش های اساسی است.در اینجا ، ما یک مدل پیش بینی قابل تفسیر جدید ، Drexplainer را پیشنهاد می کنیم ، که از یک شبکه نمودار نمودار جهت دار برای افزایش پیش بینی در یک چارچوب شبکه دو طرفه کارگردانی استفاده می کند.drexplainer یک شبکه دو طرفه کارگردانی را ایجاد می کند که پروفایل های چندمیک رده های سلولی ، ساختار شیمیایی داروها و پاسخ به داروهای شناخته شده برای دستیابی به پیش بینی کارگردانی را ایجاد می کند.سپس ، Drexplainer با یادگیری ماسک ، تسهیل تصمیم گیری مهم پزشکی ، مهمترین زیرگراف را برای هر پیش بینی در این شبکه دو طرفه هدایت می کند.علاوه بر این ، ما یک روش قابل اندازه گیری برای تفسیر مدل معرفی می کنیم که از یک مجموعه داده معیار حقیقت زمین که از ویژگی های بیولوژیکی استفاده می شود ، استفاده می کند.در آزمایشات محاسباتی ، DRExPlainer از روشهای پیش بینی پیشرفته و روش توضیح دیگری مبتنی بر نمودار تحت همان تنظیمات آزمایشی بهتر عمل می کند.سرانجام ، مطالعات موردی بیشتر تفسیر و اثربخشی drexplainer را در پاسخ داروی جدید پیش بینی کننده اعتبار می دهد.کد ما در: https://github.com/vshy-dream/drexplainer در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.