論文の概要: DTIAM: A unified framework for predicting drug-target interactions,
binding affinities and activation/inhibition mechanisms
- arxiv url: http://arxiv.org/abs/2312.15252v1
- Date: Sat, 23 Dec 2023 13:27:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 19:02:34.574796
- Title: DTIAM: A unified framework for predicting drug-target interactions,
binding affinities and activation/inhibition mechanisms
- Title（参考訳）: DTIAM: 薬物・標的相互作用, 結合親和性, 活性化・抑制機構の統一的予測フレームワーク
- Authors: Zhangli Lu, Chuqi Lei, Kaili Wang, Libo Qin, Jing Tang, Min Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.671391525450716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and robust prediction of drug-target interactions (DTIs) plays a
vital role in drug discovery. Despite extensive efforts have been invested in
predicting novel DTIs, existing approaches still suffer from insufficient
labeled data and cold start problems. More importantly, there is currently a
lack of studies focusing on elucidating the mechanism of action (MoA) between
drugs and targets. Distinguishing the activation and inhibition mechanisms is
critical and challenging in drug development. Here, we introduce a unified
framework called DTIAM, which aims to predict interactions, binding affinities,
and activation/inhibition mechanisms between drugs and targets. DTIAM learns
drug and target representations from large amounts of label-free data through
self-supervised pre-training, which accurately extracts the substructure and
contextual information of drugs and targets, and thus benefits the downstream
prediction based on these representations. DTIAM achieves substantial
performance improvement over other state-of-the-art methods in all tasks,
particularly in the cold start scenario. Moreover, independent validation
demonstrates the strong generalization ability of DTIAM. All these results
suggested that DTIAM can provide a practically useful tool for predicting novel
DTIs and further distinguishing the MoA of candidate drugs. DTIAM, for the
first time, provides a unified framework for accurate and robust prediction of
drug-target interactions, binding affinities, and activation/inhibition
mechanisms.
- Abstract（参考訳）: 薬物-標的相互作用(DTI)の正確かつ堅牢な予測は、薬物発見において重要な役割を果たす。
新規DTIの予測には多大な努力が注がれているが、既存のアプローチではラベル付きデータやコールドスタートの問題がまだ不十分である。
さらに重要なことは、現在、薬物と標的の間の作用機構(MoA)の解明に焦点を当てた研究が不足していることである。
活性化と抑制のメカニズムの解消は、薬物開発において重要かつ困難である。
本稿では,薬物と標的の相互作用,結合親和性,活性化・阻害機構の予測を目的とした統合フレームワークDTIAMを紹介する。
DTIAMは、自己指導型事前訓練を通じて大量のラベルなしデータから薬物や標的表現を学習し、薬物や標的のサブ構造や文脈情報を正確に抽出し、これらの表現に基づく下流予測の恩恵を受ける。
DTIAMは、特にコールドスタートシナリオにおいて、すべてのタスクにおける他の最先端メソッドよりも大幅にパフォーマンスが向上する。
さらに、独立検証はDTIAMの強力な一般化能力を示す。
これらの結果は、DTIAMが新規DTIを予測し、さらに候補薬のMoAを識別するための実用的なツールを提供する可能性を示唆している。
dtiamは初めて、薬物標的相互作用、結合親和性、活性化/阻害機構の正確かつ堅牢な予測のための統一フレームワークを提供する。
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) - DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning [15.69547371747469]
DDIPromptは、グラフプロンプト学習の最近の進歩に触発された革新的なソリューションである。
我々のフレームワークは、事前訓練されたモデルから本質的な知識を活用することで、これらの問題に対処することを目的としている。
2つのベンチマークデータセットに対する大規模な実験は、DDIPromptのSOTAパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-18T06:22:01Z) - 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) - 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) - 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)
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。