論文の概要: FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction
with Transformer-Driven Interpretation
- arxiv url: http://arxiv.org/abs/2311.02326v1
- Date: Sat, 4 Nov 2023 04:57:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 18:24:05.425536
- Title: FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction
with Transformer-Driven Interpretation
- Title（参考訳）: fragxsitedti: 薬物標的相互作用とトランスフォーマー駆動解釈における責任セグメントの解明
- Authors: Ali Khodabandeh Yalabadi, Mehdi Yazdani-Jahromi, Niloofar Yousefi,
Aida Tayebi, Sina Abdidizaji, Ozlem Ozmen Garibay
- Abstract要約: 薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。
DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。
FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
- 参考スコア（独自算出の注目度）: 0.09236074230806578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drug-Target Interaction (DTI) prediction is vital for drug discovery, yet
challenges persist in achieving model interpretability and optimizing
performance. We propose a novel transformer-based model, FragXsiteDTI, that
aims to address these challenges in DTI prediction. Notably, FragXsiteDTI is
the first DTI model to simultaneously leverage drug molecule fragments and
protein pockets. Our information-rich representations for both proteins and
drugs offer a detailed perspective on their interaction. Inspired by the
Perceiver IO framework, our model features a learnable latent array, initially
interacting with protein binding site embeddings using cross-attention and
later refined through self-attention and used as a query to the drug fragments
in the drug's cross-attention transformer block. This learnable query array
serves as a mediator and enables seamless information translation, preserving
critical nuances in drug-protein interactions. Our computational results on
three benchmarking datasets demonstrate the superior predictive power of our
model over several state-of-the-art models. We also show the interpretability
of our model in terms of the critical components of both target proteins and
drug molecules within drug-target pairs.
- Abstract（参考訳）: 薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。
DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。
fragxsitedtiは薬物分子断片とタンパク質ポケットを同時に利用する最初のdtiモデルである。
タンパク質と薬物の両方に対する情報豊富な表現は、相互作用について詳細な視点を提供する。
Perceiver IOフレームワークにインスパイアされた我々のモデルは学習可能な潜伏配列を特徴とし、最初はクロスアテンションを用いてタンパク質結合部位の埋め込みと相互作用し、その後自己アテンションによって洗練され、薬物のクロスアテンショントランスポーターブロックの薬物断片に対するクエリとして使用される。
この学習可能なクエリ配列は、メディエーターとして機能し、薬物とタンパク質の相互作用において重要なニュアンスを保持するシームレスな情報翻訳を可能にする。
3つのベンチマークデータセットの計算結果は、いくつかの最先端モデルよりも優れた予測能力を示している。
また,本モデルでは,標的タンパク質と薬物分子の双方の臨界成分について,薬物と標的のペア内での解釈可能性を示す。
関連論文リスト
- MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。
我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。
ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
論文 参考訳（メタデータ） (2024-06-12T21:18:14Z) - FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction [23.521628951362647]
本稿では,トークンレベルのFusionモジュールを用いてドラッグ・ターゲットインタラクションの詳細な情報を学習するFusionDTIという新しいモデルを提案する。
特に、FusionDTIモデルでは、医薬品のSELFIES表現を使用して、配列フラグメントの無効化を軽減しています。
提案したFusionDTIモデルは,既存の7つの最先端ベースラインと比較して,DTI予測において最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2024-06-03T14:48:54Z) - 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) - 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) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-30T09:32:39Z) - Molecular Substructure-Aware Network for Drug-Drug Interaction
Prediction [10.157966744159491]
薬物の併用投与は薬物と薬物の相互作用(DDI)を引き起こす
薬物対の分子構造から潜在的DDIを効果的に予測する新しいモデルである分子サブストラクチャー・アウェア・ネットワーク(MSAN)を提案する。
論文 参考訳（メタデータ） (2022-08-24T02:06:21Z) - 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) - 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) - An Interpretable Framework for Drug-Target Interaction with Gated Cross
Attention [4.746451824931381]
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。
論文 参考訳（メタデータ） (2021-09-17T05:53:40Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z) - MolTrans: Molecular Interaction Transformer for Drug Target Interaction
Prediction [68.5766865583049]
薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。
近年、DTI予測におけるディープラーニングの進歩が期待されている。
これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
論文 参考訳（メタデータ） (2020-04-23T18:56:04Z)
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。