Fugu-MT 論文翻訳(概要): FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction

論文の概要: FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction

arxiv url: http://arxiv.org/abs/2406.01651v1
Date: Mon, 3 Jun 2024 14:48:54 GMT
ステータス: 処理完了
システム内更新日: 2024-06-05 21:21:41.827281
Title: FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction
Title（参考訳）: FusionDTI: 薬物-標的相互作用のためのトークンレベルの融合によるきめ細かい結合発見
Authors: Zhaohan Meng, Zaiqiao Meng, Iadh Ounis,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 22.479973533434354
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting drug-target interaction (DTI) is critical in the drug discovery process. Despite remarkable advances in recent DTI models through the integration of representations from diverse drug and target encoders, such models often struggle to capture the fine-grained interactions between drugs and protein, i.e. the binding of specific drug atoms (or substructures) and key amino acids of proteins, which is crucial for understanding the binding mechanisms and optimising drug design. To address this issue, this paper introduces a novel model, called FusionDTI, which uses a token-level Fusion module to effectively learn fine-grained information for Drug-Target Interaction. In particular, our FusionDTI model uses the SELFIES representation of drugs to mitigate sequence fragment invalidation and incorporates the structure-aware (SA) vocabulary of target proteins to address the limitation of amino acid sequences in structural information, additionally leveraging pre-trained language models extensively trained on large-scale biomedical datasets as encoders to capture the complex information of drugs and targets. Experiments on three well-known benchmark datasets show that our proposed FusionDTI model achieves the best performance in DTI prediction compared with seven existing state-of-the-art baselines. Furthermore, our case study indicates that FusionDTI could highlight the potential binding sites, enhancing the explainability of the DTI prediction.
Abstract（参考訳）: 薬物-標的相互作用(DTI)の予測は、薬物発見プロセスにおいて重要である。近年のDTIモデルにおいて、様々な薬物と標的エンコーダの表現の統合による顕著な進歩にもかかわらず、そのようなモデルはしばしば、薬物とタンパク質のきめ細かい相互作用、すなわち特定の薬物原子(またはサブ構造)とタンパク質のキーアミノ酸の結合を捉えるのに苦労している。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効果的に学習する、FusionDTIと呼ばれる新しいモデルを提案する。特に、FusionDTIモデルは、医薬品のSELFIES表現を用いて、配列の断片化を軽減し、標的タンパク質の構造認識(SA)語彙を組み込んで、構造情報のアミノ酸配列の制限に対処し、またエンコーダとして大規模バイオメディカルデータセットで広く訓練された訓練済み言語モデルを利用して、医薬品や標的の複雑な情報をキャプチャする。 3つのよく知られたベンチマークデータセットの実験により、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パフォーマンスを達成することが示された。さらに本症例では,FusionDTIが潜在的な結合部位を強調し,DTI予測の説明可能性を高めることが示唆された。

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)
FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
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。
論文参考訳（メタデータ） (2023-11-04T04:57:13Z)
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)
ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections [0.0]
本稿では,DT結合親和性を予測するための深層学習手法を提案する。提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
論文参考訳（メタデータ） (2023-03-20T20:27:11Z)
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)
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)
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)
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)
DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction [69.7424023336611]
DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
論文参考訳（メタデータ） (2020-04-19T17:31:55Z)

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。