MLManh Hung Le

Manh Hung Le

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Manh Hung Le has a total of 2 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • IMPROVING DRUG-DISEASE ASSOCIATION PREDICTION WITH RANDOM FOREST FEATURE SELECTION

    by Lê Mạnh Hùng

    Dự đoán mối liên hệ giữa thuốc và bệnh (DDA) là một nhiệm vụ cơ bản trong việc tái định vị thuốc bằng máy tính, nhưng hiệu suất của nó thường bị cản trở bởi dữ liệu sinh học thưa thớt, không đồng nhất và nhiễu. Hầu hết các phương pháp hiện có chủ yếu dựa vào học biểu diễn tiềm ẩn, trong khi ít chú trọng đến việc lựa chọn rõ ràng các đặc trưng có tính phân biệt và ý nghĩa sinh học trước khi huấn luyện mô hình. Trong bài báo này, chúng tôi đề xuất EMP-RF, một khung dựa trên siêu đường dẫn kết hợp, tích hợp lựa chọn đặc trưng có giám sát dựa trên Rừng ngẫu nhiên để dự đoán mối liên hệ giữa thuốc và bệnh. Thuốc, bệnh và protein được mô hình hóa như một mạng lưới không đồng nhất, từ đó nhiều ma trận siêu đường dẫn có động cơ sinh học được xây dựng để nắm bắt ngữ nghĩa quan hệ bổ sung. Đối với mỗi siêu đường dẫn, việc lựa chọn đặc trưng có giám sát được thực hiện bằng cách sử dụng điểm số quan trọng của Rừng ngẫu nhiên từ cả góc độ thuốc và bệnh, giữ lại các đặc trưng có nhiều thông tin nhất và lọc bỏ nhiễu. Sau đó, các biểu diễn theo cặp được xây dựng bằng cách nối các đặc trưng đã chọn, và một bộ dự đoán Rừng ngẫu nhiên được huấn luyện cho mỗi siêu đường dẫn. Dự đoán cuối cùng thu được bằng cách tổng hợp đầu ra của tất cả các mô hình dự đoán cơ sở. Bằng cách tích hợp lựa chọn đặc trưng có giám sát vào quy trình xây dựng đặc trưng, EMP-RF cải thiện độ chính xác dự đoán đồng thời nâng cao khả năng giải thích, cung cấp những hiểu biết rõ ràng hơn về các đặc trưng quan trọng góp phần vào việc tái định vị thuốc.

  • Drug repositioning by belief networks and ensemble method

    by Manh Hung Le, Nam Anh Dao, Xuan Tho Dang

    The approach of drug repositioning, recognized as an efficient strategy to reduce costs and shorten development timelines in the pharmaceutical industry, has garnered significant interest among researchers. With vast datasets rich in valuable insights, machine learning models are not only widely applied but also continuously enhanced to improve accuracy and reliability. However, the process still faces notable challenges due to the complexity of relationships between drugs, diseases, and target proteins within biological networks. This paper focuses on optimizing the predictive performance of drug-disease relationship models by identifying potential connections through a belief network framework. The approach enables selection of the most effective graph path for each drug-disease pair, thus improving prediction accuracy by prioritizing critical biological interactions. Leveraging an ensemble of four classification methods along with a voting mechanism, the belief network ensures high adaptability and reliability across various datasets and disease types. Experimental results demonstrate that proposed analytical framework achieves not only superior performance but also high reliability in identifying potential drug-disease associations. Case studies within the paper further validate the model’s capability to discover promising drug candidates for challenging diseases, underscoring the practical significance.