論文の概要: An Interpretable Framework for Drug-Target Interaction with Gated Cross Attention

• arxiv url: http://arxiv.org/abs/2109.08360v1
• Date: Fri, 17 Sep 2021 05:53:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-20 22:37:32.801745
• Title: An Interpretable Framework for Drug-Target Interaction with Gated Cross Attention
• Title（参考訳）: Gated Cross Attention を用いた薬物・標的相互作用の解釈可能なフレームワーク
• Authors: Yeachan Kim, Bonggun Shin
• Abstract要約: 本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。 我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。 実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 4.746451824931381
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In silico prediction of drug-target interactions (DTI) is significant for drug discovery because it can largely reduce timelines and costs in the drug development process. Specifically, deep learning-based DTI approaches have been shown promising results in terms of accuracy and low cost for the prediction. However, they pay little attention to the interpretability of their prediction results and feature-level interactions between a drug and a target. In this study, we propose a novel interpretable framework that can provide reasonable cues for the interaction sites. To this end, we elaborately design a gated cross-attention mechanism that crossly attends drug and target features by constructing explicit interactions between these features. The gating function in the method enables neural models to focus on salient regions over entire sequences of drugs and proteins, and the byproduct from the function, which is the attention map, could serve as interpretable factors. The experimental results show the efficacy of the proposed method in two DTI datasets. Additionally, we show that gated cross-attention can sensitively react to the mutation, and this result could provide insights into the identification of novel drugs targeting mutant proteins.
• Abstract（参考訳）: silico prediction of drug-target interaction (dti) では、創薬過程のタイムラインとコストを大幅に削減できるため、創薬に重要である。 特に、ディープラーニングに基づくDTIアプローチは、予測の精度と低コストの観点から有望な結果を示している。 しかし、予測結果の解釈可能性や、薬物と標的の間の特徴レベルの相互作用にはほとんど注意を払わない。 本研究では,対話サイトに対して適切な手がかりを提供する新しい解釈可能なフレームワークを提案する。 そこで我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート型クロスアテンション機構を精巧に設計する。 この方法のゲーティング機能は、神経モデルが薬物やタンパク質の配列全体にわたるサルエント領域に焦点を合わせ、注意マップである機能からの副産物が解釈可能な因子として機能することを可能にする。 実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。 さらに、ゲート交叉は変異に敏感に反応し得ることを示し、この結果は変異タンパク質を標的とした新規薬物の同定に関する洞察を与える可能性がある。

関連論文リスト

• GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
  薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。 我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-11-03T03:17:09Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• DTIAM: A unified framework for predicting drug-target interactions, binding affinities and activation/inhibition mechanisms [9.671391525450716]
  薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。 DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。 すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-12-23T13:27:41Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
  薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す 従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。 本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T14:25:28Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。