論文の概要: Target-Free Compound Activity Prediction via Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2311.16328v1
• Date: Mon, 27 Nov 2023 21:23:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 21:03:27.280512
• Title: Target-Free Compound Activity Prediction via Few-Shot Learning
• Title（参考訳）: Few-Shot Learningによるターゲットフリー複合活動予測
• Authors: Peter Eckmann, Jake Anderson, Michael K. Gilson, Rose Yu
• Abstract要約: 本研究では,Few-Shot Compound Activity Prediction (FS-CAP) について検討し,大規模生物活性データセットを横断するメタ学習型連続化合物活動のためのニューラルアーキテクチャを設計する。 本モデルでは、既知の化合物とそれらの活性から生成されたエンコーディングを集約し、アッセイ情報を取得する。 FS-CAPは、従来の類似性に基づく手法や、さまざまな標的のない薬物発見設定やデータセットに関する数発の学習方法の他の状況よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 17.64685996884766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the activities of compounds against protein-based or phenotypic assays using only a few known compounds and their activities is a common task in target-free drug discovery. Existing few-shot learning approaches are limited to predicting binary labels (active/inactive). However, in real-world drug discovery, degrees of compound activity are highly relevant. We study Few-Shot Compound Activity Prediction (FS-CAP) and design a novel neural architecture to meta-learn continuous compound activities across large bioactivity datasets. Our model aggregates encodings generated from the known compounds and their activities to capture assay information. We also introduce a separate encoder for the unknown compound. We show that FS-CAP surpasses traditional similarity-based techniques as well as other state of the art few-shot learning methods on a variety of target-free drug discovery settings and datasets.
• Abstract（参考訳）: 数種の既知の化合物とそれらの活性のみを用いたタンパク質または表現型アッセイに対する化合物の活性の予測は、標的のない薬物発見において一般的な課題である。 既存の数発の学習アプローチはバイナリラベル(アクティブ/非アクティブ)の予測に限られている。 しかし、現実世界の薬物発見においては、複合活性の度合いは高い関係にある。 本研究では,Few-Shot Compound Activity Prediction (FS-CAP) について検討し,大規模生物活性データセットを横断するメタ学習型連続化合物活動のためのニューラルアーキテクチャを設計する。 本モデルでは,既知の化合物から生成したエンコードとその活性を集約し,アッセイ情報を収集する。 また、未知化合物に対する別のエンコーダも導入する。 FS-CAPは、従来の類似性に基づく手法や、さまざまな標的のない薬物発見設定やデータセットに関する数発の学習方法に勝っていることを示す。

関連論文リスト

• 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)
• DrugCLIP: Contrastive Protein-Molecule Representation Learning for Virtual Screening [16.31607535765497]
  DrugCLIPは、仮想スクリーニングのための新しい対照的な学習フレームワークである。 明示的な結合親和性スコアなしで、大量のペアデータから結合タンパク質ポケットと分子の表現を調整できる。 様々な仮想スクリーニングベンチマークにおいて、従来のドッキングや教師あり学習方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-10T07:08:35Z)
• 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)
• Symbiotic Message Passing Model for Transfer Learning between Anti-Fungal and Anti-Bacterial Domains [0.0]
  我々は、異なるドメインからグラフ-ニューラルネットワークモデルを統合するための新しい手法、SMPNN(Symbiotic Message Passing Neural Network)を開発した。 抗菌活性から抗真菌活性を予測することで,本手法の利点を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:21:36Z)
• 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)
• Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model [4.917317902787792]
  薬物発見は人間を病気から守る上で極めて重要である。 ターゲットベースのスクリーニングは、過去数十年で最も人気のある新薬開発方法の1つである。 この方法は、標的タンパク質を阻害する候補薬をin vitroで効果的にスクリーニングするが、in vivoで不適切な活性のためにしばしば失敗する。 本研究では,標的の阻害特性と細胞活性特性の両方を有する化合物を同定するグラフ多タスク深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-09T02:35:42Z)
• 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)
• Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
  数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。 単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。 慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
  論文  参考訳（メタデータ） (2021-02-05T21:04:31Z)
• Detecting Human-Object Interactions with Action Co-occurrence Priors [108.31956827512376]
  人-物間相互作用(HOI)検出タスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関と反相関が存在することを観察した。 我々はこれらの先行知識を学習し、特に稀なクラスにおいてより効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T02:47:45Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)

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。