SSL-VQ: vector-quantized variational autoencoders for semi-supervised prediction of therapeutic targets across diverse diseases

Motivation Identifying effective therapeutic targets poses a challenge in drug discovery, especially for uncharacterized diseases without known therapeutic targets (e.g. rare diseases, intractable diseases). Results This study presents a novel machine learning approach using multimodal vector-quanti...

Celý popis

Podrobná bibliografie

Vydáno v:	Bioinformatics (Oxford, England) Ročník 41; číslo 2
Hlavní autoři:	Namba, Satoko, Li, Chen, Yuyama Otani, Noriko, Yamanishi, Yoshihiro
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	England Oxford University Press 04.02.2025
Témata:	Autoencoder Computational Biology - methods Disease - genetics Drug Discovery - methods Humans Original Paper Supervised Machine Learning
ISSN:	1367-4811, 1367-4803, 1367-4811
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!