The research work to predict the si

The research work to predict the side effects of drugs is done by the relationship between chemical and target protein. Yamanishi et al. [7] proposed a kernel regression model as computational model. This method predicted a potential side effect profiles based on the chemical structures and the information on the target protein. This method ranked first one of the side effects of 41.7 % (275 drugs) in 658 drugs, and ranked a correct side effect among the top five scoring for 70.0 % (461 drugs) in 658 drugs. Kuhn et al. [8] focused on similarities in the side effects of drugs. The clinical data on chemical and protein were collected. And by combining drug-target protein and drug-side effect relations, overrepresented target protein-side effect pars are identified. 732 of 1428 side effects were predicted to be mainly caused by individual proteins. 137 of 732 side effects were proved by pharmacological or phenotypic existing data. From the results of these studies, classification and regression characteristics of the side effect are found. However, these studies will fall into a lack of an overall service-based solution because all data for the side effect prediction are not always prepared. Although the above-mentioned 2 studies focused on potential side effect, we focus not only on side effect, but also on its incidence. Therefore, we propose the comprehensive prediction model of drug side effect and its incidence using the data mining approach at the intersection of statics, machine learning and database system considering classification and regression characteristics of the side effect. And the gene information of target protein and the chemical (drug) - protein interaction are considered in this paper.

ผลลัพธ์ (ไทย) 1:

งานวิจัยทำนายผลข้างเคียงของยาจะทำ โดยความสัมพันธ์ระหว่างเป้าหมายและเคมีโปรตีน Yamanishi et al. [7] เสนอแบบจำลองถดถอยเคอร์เนลเป็นแบบจำลองเชิงคำนวณ วิธีนี้คาดว่า มีศักยภาพผลข้างเคียงโปรไฟล์ตามโครงสร้างเคมีและข้อมูลโปรตีนเป้าหมาย วิธีนี้อันดับแรกที่ผลข้างเคียงของ 41.7% (275 ยา) ยา 658 และอันดับผลข้างเคียงถูกต้องระหว่างห้าประตูสุด 70.0% (461 ยา) ยา 658 Kuhn ร้อยเอ็ด [8] เน้นความเหมือนกันในผลข้างเคียงของยา ข้อมูลทางคลินิกในเคมีและโปรตีนถูกเก็บรวบรวม และ โดยรวมโปรตีนเป้าหมายยาเสพติดและความสัมพันธ์ของผลข้างเคียงยา ระบุเป้าหมาย overrepresented ผลข้างเคียงโปรตีน pars 732 ของผลข้างเคียง 1428 ถูกคาดว่า จะมีสาเหตุส่วนใหญ่จากโปรตีนแต่ละ 137 ของผลข้างเคียง 732 ได้พิสูจน์ โดยทางเภสัชวิทยา หรือใช้ข้อมูลที่มีอยู่ จากผลการศึกษาเหล่านี้ ลักษณะการจัดประเภทและการถดถอยของผลข้างเคียงที่พบ อย่างไรก็ตาม ศึกษาเหล่านี้จะตกอยู่ในการขาดของการแก้ไขปัญหาใช้บริการโดยรวมเนื่องจากข้อมูลทั้งหมดสำหรับการคาดเดาผลข้างเคียงไม่พร้อมอยู่เสมอ แม้ว่าการศึกษาที่ 2 ดังกล่าวข้างเน้นศักยภาพด้านผล เรามุ่งเน้นไม่เพียง แต่ผลข้างเคียง แต่ยัง กับอุบัติการณ์ของ ดังนั้น เรานำเสนอแบบคาดการณ์ครอบคลุมโรคที่ใช้วิธีการทำเหมืองข้อมูลที่สถิต เรียนรู้ของเครื่อง และระบบฐานข้อมูลที่พิจารณาลักษณะประเภทและการถดถอยของผลข้างเคียงและผลข้างเคียงของยา และข้อมูลยีนของโปรตีนเป้าหมายและสารเคมี (ยา) - โปรตีนโต้ถือว่าในเอกสารนี้

ผลลัพธ์ (ไทย) 2:

งานวิจัยที่จะคาดการณ์ผลข้างเคียงของยาเสพติดจะกระทำโดยความสัมพันธ์ระหว่างทางเคมีและเป้าหมายโปรตีน Yamanishi et al, [7] เสนอตัวแบบถดถอยเมล็ดเป็นรูปแบบการคำนวณ วิธีการนี​​้คาดการณ์ที่มีศักยภาพโปรไฟล์ผลข้างเคียงที่อยู่บนพื้นฐานของโครงสร้างทางเคมีและข้อมูลเกี่ยวกับโปรตีนเป้าหมาย วิธีการนี​​้อันดับแรกหนึ่งในผลข้างเคียงของ 41.7% (275 ยาเสพติด) ใน 658 ยาเสพติดและการจัดอันดับเป็นผลข้างเคียงที่ถูกต้องในด้านบนห้าคะแนน 70.0% (461 ยาเสพติด) ในยาเสพติด 658 Kuhn et al, [8] มุ่งเน้นไปที่ความคล้ายคลึงกันในผลข้างเคียงของยาเสพติด ข้อมูลทางคลินิกเกี่ยวกับสารเคมีและโปรตีนที่ถูกเก็บรวบรวม และโดยการรวมโปรตีนยาเสพติดเป้าหมายยาเสพติดและผลกระทบด้านความสัมพันธ์ Pars ผล overrepresented เป้าหมายโปรตีนด้านจะมีการระบุ 732 ของ 1428 ผลข้างเคียงที่ถูกคาดว่าจะเป็นส่วนใหญ่เกิดจากโปรตีนของแต่ละบุคคล 137 732 ผลข้างเคียงที่ได้รับการพิสูจน์โดยข้อมูลที่มีอยู่เภสัชวิทยาหรือฟีโนไทป์ จากผลการศึกษาเหล่านี้การจัดหมวดหมู่และการถดถอยลักษณะของผลข้างเคียงที่พบ อย่างไรก็ตามการศึกษาเหล่านี้จะตกอยู่ในการขาดวิธีการแก้ปัญหาที่ใช้บริการโดยรวมเพราะข้อมูลทั้งหมดสำหรับการทำนายผลข้างเคียงที่ไม่ได้เตรียมเสมอ แม้ว่าดังกล่าวข้างต้นที่ 2 การศึกษามุ่งเน้นไปที่ผลข้างเคียงที่อาจเกิดขึ้นเรามุ่งเน้นไม่เพียง แต่ในผลข้างเคียง แต่ยังเกี่ยวกับอุบัติการณ์ ดังนั้นเราจึงนำเสนอรูปแบบการทำนายที่ครอบคลุมของผลข้างเคียงยาเสพติดและอุบัติการณ์ของการใช้วิธีการทำเหมืองข้อมูลที่จุดตัดของสถ​​ิตศาสตร์การเรียนรู้ของเครื่องและระบบฐานข้อมูลพิจารณาการจัดหมวดหมู่และการถดถอยลักษณะของผลข้างเคียง และข้อมูลของยีนของโปรตีนเป้าหมายและสารเคมี (ยาเสพติด) - ปฏิสัมพันธ์โปรตีนได้รับการพิจารณาในบทความนี้

ผลลัพธ์ (ไทย) 3:

งานวิจัยทำนายผลข้างของยาเสร็จ โดยความสัมพันธ์ระหว่างสารเคมีและโปรตีนเป้าหมาย ยามานิชิ et al . [ 7 ] เสนอแบบจำลองการถดถอยของแบบจำลองในการคำนวณ วิธีนี้ คาดอาจเกิดขึ้นผลข้างเคียงโปรไฟล์ตามโครงสร้างทางเคมี และข้อมูลเกี่ยวกับโปรตีนเป้าหมาย วิธีนี้อันดับหนึ่งในผลข้างเคียงของร้อยละ 41.7 ( 275 ยา ) ในเรื่องยา และผลข้างเคียงที่ถูกจัดอันดับในด้านบนห้าคะแนนร้อยละ 70.0 ( 461 ยา ) ในเรื่องยาเสพติด คูน et al . [ 8 ] เน้นความเหมือนในผลข้างเคียงของยา ข้อมูลทางคลินิกในสารเคมีและโปรตีนสะสม และโดยรวมและโปรตีนเป้าหมายยาผลข้างเคียงยาสัมพันธ์ overrepresented โปรตีนเป้าหมายข้างเคียง Pars จะระบุ แต่ของ 1428 ข้างเคียงถูกคาดการณ์ไว้ว่าจะต้องส่วนใหญ่เกิดจากโปรตีนแต่ละ 137 ของ 732 ข้างเคียงถูกพิสูจน์โดยทางเภสัชวิทยาหรือฟีโนไทป์ข้อมูลที่มีอยู่ จากผลของการศึกษาเหล่านี้ ประเภท และลักษณะการถดถอยของผลข้างเคียงที่พบ อย่างไรก็ตาม การศึกษาเหล่านี้จะตกอยู่ในการขาดการบริการโดยรวมของโซลูชั่นพื้นฐาน เพราะข้อมูลทั้งหมดสำหรับผลข้างเคียง ทำนายไม่ได้เตรียมพร้อมเสมอ แม้ว่าข้างต้น 2 การศึกษาเน้นผลข้างเคียงที่อาจเกิดขึ้น เรามุ่งเน้นไม่เพียง แต่ในด้านผลกระทบ แต่ยังเกี่ยวกับการเกิดของมัน . ดังนั้นเราจึงเสนอครอบคลุมแบบจำลองการทำนายของผลข้างเคียงของยาเสพติดและการใช้การทำเหมืองข้อมูลวิธีการที่จุดตัดของสถิตศาสตร์ การเรียนรู้ของเครื่องจักร และฐานข้อมูล ระบบการจำแนกและการพิจารณาลักษณะของผลข้างเคียง และยีนของโปรตีนเป้าหมายและข้อมูลสารเคมี ( ยา ) - ปฏิสัมพันธ์โปรตีนจะพิจารณาในบทความนี้