論文の概要: GraphCL-DTA: a graph contrastive learning with molecular semantics for
drug-target binding affinity prediction
- arxiv url: http://arxiv.org/abs/2307.08989v1
- Date: Tue, 18 Jul 2023 06:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 16:21:32.286628
- Title: GraphCL-DTA: a graph contrastive learning with molecular semantics for
drug-target binding affinity prediction
- Title（参考訳）: GraphCL-DTA : 薬物結合親和性予測のための分子セマンティクスを用いたグラフコントラスト学習
- Authors: Xinxing Yang and Genke Yang and Jian Chu
- Abstract要約: GraphCL-DTAは、薬物表現を学習する分子グラフのためのグラフコントラスト学習フレームワークである。
次に、薬物と標的表現の均一性を調整するために直接使用できる新しい損失関数を設計する。
上記のイノベーティブな要素の有効性は、2つの実際のデータセットで検証される。
- 参考スコア（独自算出の注目度）: 2.523552067304274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug-target binding affinity prediction plays an important role in the early
stages of drug discovery, which can infer the strength of interactions between
new drugs and new targets. However, the performance of previous computational
models is limited by the following drawbacks. The learning of drug
representation relies only on supervised data, without taking into account the
information contained in the molecular graph itself. Moreover, most previous
studies tended to design complicated representation learning module, while
uniformity, which is used to measure representation quality, is ignored. In
this study, we propose GraphCL-DTA, a graph contrastive learning with molecular
semantics for drug-target binding affinity prediction. In GraphCL-DTA, we
design a graph contrastive learning framework for molecular graphs to learn
drug representations, so that the semantics of molecular graphs are preserved.
Through this graph contrastive framework, a more essential and effective drug
representation can be learned without additional supervised data. Next, we
design a new loss function that can be directly used to smoothly adjust the
uniformity of drug and target representations. By directly optimizing the
uniformity of representations, the representation quality of drugs and targets
can be improved. The effectiveness of the above innovative elements is verified
on two real datasets, KIBA and Davis. The excellent performance of GraphCL-DTA
on the above datasets suggests its superiority to the state-of-the-art model.
- Abstract（参考訳）: 薬物-標的結合親和性予測は、新薬と新しい標的との相互作用の強さを推測する薬物発見の初期段階において重要な役割を果たす。
しかし,従来の計算モデルの性能は,以下の欠点によって制限される。
薬物表現の学習は、分子グラフ自体に含まれる情報を考慮せずに、教師付きデータにのみ依存する。
さらに、従来の研究では複雑な表現学習モジュールを設計する傾向があったが、表現品質を測定するために用いられる一様性は無視されている。
本研究では,薬物-標的結合親和性予測のためのグラフコントラスト学習法であるGraphCL-DTAを提案する。
graphcl-dtaでは,分子グラフのコントラスト学習フレームワークを設計し,薬物表現を学習し,分子グラフのセマンティクスを保存した。
このグラフの対比フレームワークを通じて、より本質的で効果的な薬物表現は、追加の教師付きデータなしで学べる。
次に、薬物と標的表現の均一性をスムーズに調整するために、直接使用できる新しい損失関数を設計する。
表現の均一性を直接最適化することにより、薬物および標的の表現品質を向上させることができる。
上記の革新的要素の有効性は、KIBAとDavisの2つの実際のデータセットで検証される。
上記のデータセットにおけるGraphCL-DTAの優れたパフォーマンスは、最先端モデルよりも優れていることを示唆している。
関連論文リスト
- HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction [15.005837084219355]
階層型グラフ表現学習に基づくDTI予測法(HiGraphDTI)を提案する。
具体的には、HiGraphDTIは三重レベル分子グラフから階層的な薬物表現を学び、原子、モチーフ、分子に埋め込まれた化学情報を徹底的に活用する。
注目特徴融合モジュールは、異なる受容領域からの情報を組み込んで表現対象特徴を抽出する。
論文 参考訳（メタデータ） (2024-04-16T13:35:24Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - GIMLET: A Unified Graph-Text Model for Instruction-Based Molecule
Zero-Shot Learning [71.89623260998934]
本研究は,ゼロショット環境下での分子関連タスクの実現に自然言語命令を用いることの実現可能性について検討する。
既存の分子テキストモデルは、命令の不十分な処理とグラフの限られた容量のために、この設定では性能が良くない。
グラフデータとテキストデータの両方の言語モデルを統合するGIMLETを提案する。
論文 参考訳（メタデータ） (2023-05-28T18:27:59Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - 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) - A Deep Learning Approach to the Prediction of Drug Side-Effects on
Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。
私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。
その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文 参考訳（メタデータ） (2022-11-30T10:12:41Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Attention-wise masked graph contrastive learning for predicting
molecular property [15.387677968070912]
大規模無ラベル分子のための自己教師付き表現学習フレームワークを提案する。
我々は,注目グラフマスクと呼ばれる新しい分子グラフ拡張戦略を開発した。
我々のモデルは重要な分子構造と高次意味情報を捉えることができる。
論文 参考訳（メタデータ） (2022-05-02T00:28:02Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳（メタデータ） (2022-03-22T04:50:16Z) - Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。
分子グラフ生成における表現第一のアプローチを提案する。
我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文 参考訳（メタデータ） (2021-10-12T18:00:23Z)
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。