論文の概要: SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction
- arxiv url: http://arxiv.org/abs/2206.09818v3
- Date: Tue, 17 Oct 2023 14:06:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 00:42:56.989927
- Title: SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction
- Title(参考訳): ssm-dta:薬物標的親和性予測におけるデータ不足の障壁を破る
- Authors: Qizhi Pei, Lijun Wu, Jinhua Zhu, Yingce Xia, Shufang Xie, Tao Qin,
Haiguang Liu, Tie-Yan Liu, Rui Yan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 127.43571146741984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of Drug-Target Affinity (DTA) is of vital importance in
early-stage drug discovery, facilitating the identification of drugs that can
effectively interact with specific targets and regulate their activities. While
wet experiments remain the most reliable method, they are time-consuming and
resource-intensive, resulting in limited data availability that poses
challenges for deep learning approaches. Existing methods have primarily
focused on developing techniques based on the available DTA data, without
adequately addressing the data scarcity issue. To overcome this challenge, we
present the SSM-DTA framework, which incorporates three simple yet highly
effective strategies: (1) A multi-task training approach that combines DTA
prediction with masked language modeling (MLM) using paired drug-target data.
(2) A semi-supervised training method that leverages large-scale unpaired
molecules and proteins to enhance drug and target representations. This
approach differs from previous methods that only employed molecules or proteins
in pre-training. (3) The integration of a lightweight cross-attention module to
improve the interaction between drugs and targets, further enhancing prediction
accuracy. Through extensive experiments on benchmark datasets such as
BindingDB, DAVIS, and KIBA, we demonstrate the superior performance of our
framework. Additionally, we conduct case studies on specific drug-target
binding activities, virtual screening experiments, drug feature visualizations,
and real-world applications, all of which showcase the significant potential of
our work. In conclusion, our proposed SSM-DTA framework addresses the data
limitation challenge in DTA prediction and yields promising results, paving the
way for more efficient and accurate drug discovery processes. Our code is
available at $\href{https://github.com/QizhiPei/SSM-DTA}{Github}$.
- Abstract(参考訳): 薬物標的親和性(DTA)の正確な予測は、早期の薬物発見において極めて重要であり、特定の標的と効果的に相互作用し、それらの活性を調節する薬物の同定を容易にする。
ウェット実験は依然として最も信頼性の高い方法だが、時間的消費とリソース集約性によって、ディープラーニングアプローチの課題となるデータ可用性が制限される。
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。
この課題を克服するために,1)DTA予測とMLM(Masked Language Modeling)を併用したマルチタスクトレーニングアプローチと,組み合わせた薬物標的データを用いたSSM-DTAフレームワークを提案する。
2) 薬品および標的表現を増強するために, 大規模非ペア分子とタンパク質を活用する半教師付き訓練法。
このアプローチは、事前学習に分子やタンパク質のみを用いる従来の方法とは異なる。
3) 薬物と標的との相互作用を改善する軽量なクロスアテンションモジュールの統合により,予測精度が向上した。
BindingDB、DAVIS、KIBAといったベンチマークデータセットに関する広範な実験を通じて、我々のフレームワークの優れたパフォーマンスを実証する。
さらに, 特定の薬物標的結合活動, 仮想スクリーニング実験, 薬物特徴の可視化, 実世界の応用についてケーススタディを行い, いずれも研究の有意な可能性を示した。
結論として,提案するSSM-DTAフレームワークはDTA予測におけるデータ制限問題に対処し,より効率的かつ正確な薬物発見プロセスの道を開いた。
私たちのコードは$\href{https://github.com/QizhiPei/SSM-DTA}{Github}$で利用可能です。
関連論文リスト
- Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳(メタデータ) (2024-03-13T09:42:46Z) - DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt
Learning [15.69547371747469]
我々はDDIPromptを提案し、高度に不均衡な事象分布と稀な事象に対するラベル付きデータの不足を克服する。
最初の課題を解決するために、DDIPromptは、構造的および対話的な近接性の両方を考慮して、薬物間のリンクを増設する。
2つ目の課題は、推論中にプロトタイプ強化プロンプト機構を実装することである。
論文 参考訳(メタデータ) (2024-02-18T06:22:01Z) - 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) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳(メタデータ) (2023-10-05T05:55:41Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳(メタデータ) (2022-03-28T05:44:29Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug
interaction predictions [0.9176056742068811]
薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。
大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。
本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
論文 参考訳(メタデータ) (2020-12-24T13:33:07Z) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳(メタデータ) (2020-06-25T08:46:37Z) - Drug-Drug Interaction Prediction with Wasserstein Adversarial
Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。
本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。
判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
論文 参考訳(メタデータ) (2020-04-15T21:03:29Z)
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。