BVSIMC: Bayesian Variable Selection-Guided Inductive Matrix Completion for Improved and Interpretable Drug Discovery
BVSIMC：贝叶斯变量选择引导的归纳矩阵补全用于药物发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为贝叶斯变量选择与矩阵补全在药物发现中的应用，属于统计方法与生物医学应用，未涉及所提供微观、宏观或金融计量细分领域的文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
BVSIMC：贝叶斯变量选择引导的归纳矩阵补全用于药物发现
- 研究问题
- 摘要称，药物发现中引入药物化学性质与疾病基因组等辅助信息常能提升预测，但这些特征相关性差异大且噪声高、维度高；研究问题是如何在归纳矩阵补全中从辅助特征里做变量选择，同时提升预测精度与可解释性。
- 方法与思路
- 作者提出 BVSIMC，一个贝叶斯模型，通过从辅助特征中做变量选择并学习稀疏潜在嵌入来完成归纳矩阵补全；摘要称用模拟研究和两个药物发现应用进行验证，即结核分枝杆菌耐药性预测与计算药物重定位中的新药—疾病关联预测。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出可对辅助特征做变量选择的贝叶斯归纳矩阵补全模型，借稀疏潜在嵌入同时改善预测准确性与可解释性；在合成与真实数据上预测表现优于若干现有方法，并在两个实例中揭示最具临床意义的辅助特征。
- 阅读关注点
- 应核对变量选择先验与稀疏嵌入的具体设定、归纳矩阵补全的识别与推断细节、模拟设计、两个应用的基准方法与评价指标，以及“最具临床意义特征”的判定依据；摘要未说明这些内容。
- 阅读边界
- 仅凭摘要无法判断模型假设是否成立、比较是否公平、结果是否可复现，也无法核实其优越性与临床解释；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Recent advances in drug discovery have demonstrated that incorporating side information (e.g., chemical properties about drugs and genomic information about diseases) often greatly improves prediction performance. However, these side features can vary widely in relevance and are often noisy and high-dimensional. We propose Bayesian Variable Selection-Guided Inductive Matrix Completion (BVSIMC), a new Bayesian model that enables variable selection from side features in drug discovery. By learning sparse latent embeddings, BVSIMC improves both predictive accuracy and interpretability. We validate our method through simulation studies and two drug discovery applications: 1) prediction of drug resistance in Mycobacterium tuberculosis, and 2) prediction of new drug-disease associations in computational drug repositioning. On both synthetic and real data, BVSIMC outperforms several other state-of-the-art methods in terms of prediction. In our two real examples, BVSIMC further reveals the most clinically meaningful side features.