論文の概要: Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors

• arxiv url: http://arxiv.org/abs/2407.15202v1
• Date: Sun, 21 Jul 2024 15:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 18:49:14.267583
• Title: Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors
• Title（参考訳）: 近隣住民による薬物標的親和性予測のための事前訓練モデルの構築
• Authors: Qizhi Pei, Lijun Wu, Zhenyu He, Jinhua Zhu, Yingce Xia, Shufang Xie, Rui Yan,
• Abstract要約: 薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
• 参考スコア（独自算出の注目度）: 58.661454334877256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-Target binding Affinity (DTA) prediction is essential for drug discovery. Despite the application of deep learning methods to DTA prediction, the achieved accuracy remain suboptimal. In this work, inspired by the recent success of retrieval methods, we propose $k$NN-DTA, a non-parametric embedding-based retrieval method adopted on a pre-trained DTA prediction model, which can extend the power of the DTA model with no or negligible cost. Different from existing methods, we introduce two neighbor aggregation ways from both embedding space and label space that are integrated into a unified framework. Specifically, we propose a \emph{label aggregation} with \emph{pair-wise retrieval} and a \emph{representation aggregation} with \emph{point-wise retrieval} of the nearest neighbors. This method executes in the inference phase and can efficiently boost the DTA prediction performance with no training cost. In addition, we propose an extension, Ada-$k$NN-DTA, an instance-wise and adaptive aggregation with lightweight learning. Results on four benchmark datasets show that $k$NN-DTA brings significant improvements, outperforming previous state-of-the-art (SOTA) results, e.g, on BindingDB IC$_{50}$ and $K_i$ testbeds, $k$NN-DTA obtains new records of RMSE $\bf{0.684}$ and $\bf{0.750}$. The extended Ada-$k$NN-DTA further improves the performance to be $\bf{0.675}$ and $\bf{0.735}$ RMSE. These results strongly prove the effectiveness of our method. Results in other settings and comprehensive studies/analyses also show the great potential of our $k$NN-DTA approach.
• Abstract（参考訳）: 薬物-標的結合親和性(DTA)予測は薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 本研究は,最近の検索手法の成功に触発されて,事前学習したDTA予測モデルに適用された非パラメトリック埋め込みに基づく検索手法である$k$NN-DTAを提案する。 既存の手法と異なり、埋め込み空間とラベル空間の両方から、統合されたフレームワークに統合された2つの隣り合う集約手法を導入する。 具体的には、近辺の「emph{pair-wise search」を持つ「emph{label aggregate」と、近辺の「emph{point-wise search」を持つ「emph{representation aggregate」を提案する。 この方法は、推論フェーズで実行され、トレーニングコストを伴わずにDTA予測性能を効率的に向上することができる。 さらに,Ada-$k$NN-DTAの拡張を提案する。 例えば、BindingDB IC$_{50}$と$K_i$ testbeds、$k$NN-DTAはRMSE $\bf{0.684}$と$\bf{0.750}$の新しいレコードを取得する。 拡張されたAda-$k$NN-DTAはパフォーマンスをさらに改善し、$\bf{0.675}$と$\bf{0.735}$RMSEとなる。 これらの結果は,本手法の有効性を強く証明する。 他の設定や包括的な研究や分析の結果も、$k$NN-DTAアプローチの大きな可能性を示しています。

関連論文リスト

• NUDGE: Lightweight Non-Parametric Fine-Tuning of Embeddings for Retrieval [0.7646713951724011]
  既存のアプローチは、事前訓練されたモデル自体を微調整するか、より効率的に、事前訓練されたモデルの出力を変換するためにアダプタモデルを訓練する。 NUDGEは、新しい非パラメトリック埋め込みファインチューニングアプローチのファミリーである。 NUDGEは、$k$-NN検索の精度を最大化するために、データレコードの埋め込みを直接修正する。
  論文  参考訳（メタデータ） (2024-09-04T00:10:36Z)
• Efficient k-Nearest-Neighbor Machine Translation with Dynamic Retrieval [49.825549809652436]
  $k$NN-MTはドメイン固有の翻訳知識を保持するために外部データストアを構築する。 適応検索(k$NN-MT-AR)は、$lambda$を動的に推定し、$lambda$が固定しきい値以下であれば$k$NN検索をスキップする。 本稿では,バニラ$k$NN-MTを大幅に拡張した動的検索(k$NN-MT-DR)を提案する。
  論文  参考訳（メタデータ） (2024-06-10T07:36:55Z)
• Data-Efficient Learning via Clustering-Based Sensitivity Sampling: Foundation Models and Beyond [28.651041302245538]
  我々は$k$-meansクラスタリングとサンプリング感度に基づく新しいデータ選択手法を提案する。 線形回帰にどのように適用できるかを示すとともに,レバレッジスコアサンプリングの性能と驚くほど一致した新しいサンプリング戦略がもたらされる。
  論文  参考訳（メタデータ） (2024-02-27T09:03:43Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• ALMERIA: Boosting pairwise molecular contrasts with scalable methods [0.0]
  ALMERIAは、一対の分子コントラストに基づく化合物の類似性と活性予測を推定するためのツールである。 大量のデータを利用するスケーラブルなソフトウェアと手法を使って実装されている。 分子活性予測の最先端性能を示す実験を行った。
  論文  参考訳（メタデータ） (2023-04-28T16:27:06Z)
• You can't pick your neighbors, or can you? When and how to rely on retrieval in the $k$NN-LM [65.74934004876914]
  Retrieval-enhanced Language Model (LM) は、大規模な外部データストアから取得したテキストにそれらの予測を条件付ける。 そのようなアプローチの1つ、$k$NN-LMは、既存のLMの予測を$k$-nearest近くのモデルの出力と補間する。 本研究では,2つの英語モデルデータセットに対するアプローチの有効性を実証的に測定する。
  論文  参考訳（メタデータ） (2022-10-28T02:57:40Z)
• Rescue Implicit and Long-tail Cases: Nearest Neighbor Relation Extraction [36.85068584859058]
  我々は、$k$近辺($k$NN-RE)を用いた単純な関係抽出の強化を導入する($k$NN-RE)。 k$NN-REでは、最寄りの検索を通じて、テスト時にトレーニング関係をコンサルティングすることができる。 実験の結果,提案した$k$NN-REは,様々な教師付きREデータセット上で最先端のパフォーマンスを実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-21T08:25:10Z)
• Datamodels: Predicting Predictions from Training Data [86.66720175866415]
  本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。 単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
  論文  参考訳（メタデータ） (2022-02-01T18:15:24Z)
• Provably Efficient Generative Adversarial Imitation Learning for Online and Offline Setting with Linear Function Approximation [81.0955457177017]
  GAIL(Generative Adversarial mimicion Learning)では、特定の報酬セットにおいて、専門家の政策からそのパフォーマンスを区別できないように、専門家のデモンストレーションからポリシーを学習することを目的としている。 GAILをオンラインとオフラインの両方で線形関数近似を用いて検討し、その変換関数と報酬関数は特徴写像において線形である。
  論文  参考訳（メタデータ） (2021-08-19T16:16:00Z)

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。