論文の概要: SCOPE-DTI: Semi-Inductive Dataset Construction and Framework Optimization for Practical Usability Enhancement in Deep Learning-Based Drug Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2503.09251v1
• Date: Wed, 12 Mar 2025 10:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:34.133646
• Title: SCOPE-DTI: Semi-Inductive Dataset Construction and Framework Optimization for Practical Usability Enhancement in Deep Learning-Based Drug Target Interaction Prediction
• Title（参考訳）: SCOPE-DTI:Deep Learning-based Drug Target Interaction Predictionにおける実践的ユーザビリティ向上のための半帰納的データセット構築とフレームワーク最適化
• Authors: Yigang Chen, Xiang Ji, Ziyue Zhang, Yuming Zhou, Yang-Chi-Dung Lin, Hsi-Yuan Huang, Tao Zhang, Yi Lai, Ke Chen, Chang Su, Xingqiao Lin, Zihao Zhu, Yanggyi Zhang, Kangping Wei, Jiehui Fu, Yixian Huang, Shidong Cui, Shih-Chung Yen, Ariel Warshel, Hsien-Da Huang,
• Abstract要約: SCOPE-DTIは、大規模でバランスの取れたセミインダクティブなDTIデータセットと高度なディープラーニングモデリングを組み合わせた統合フレームワークである。 SCOPEデータセットは、Humanデータセットのような一般的なベンチマークと比較して、データボリュームを最大100倍に拡張する。 包括的なデータ、高度なモデリング、およびアクセス可能なツールを提供することで、SCOPE-DTIは薬物発見の研究を加速する。
• 参考スコア（独自算出の注目度）: 15.996998422919111
• License:
• Abstract: Deep learning-based drug-target interaction (DTI) prediction methods have demonstrated strong performance; however, real-world applicability remains constrained by limited data diversity and modeling complexity. To address these challenges, we propose SCOPE-DTI, a unified framework combining a large-scale, balanced semi-inductive human DTI dataset with advanced deep learning modeling. Constructed from 13 public repositories, the SCOPE dataset expands data volume by up to 100-fold compared to common benchmarks such as the Human dataset. The SCOPE model integrates three-dimensional protein and compound representations, graph neural networks, and bilinear attention mechanisms to effectively capture cross domain interaction patterns, significantly outperforming state-of-the-art methods across various DTI prediction tasks. Additionally, SCOPE-DTI provides a user-friendly interface and database. We further validate its effectiveness by experimentally identifying anticancer targets of Ginsenoside Rh1. By offering comprehensive data, advanced modeling, and accessible tools, SCOPE-DTI accelerates drug discovery research.
• Abstract（参考訳）: 深層学習に基づくドラッグ・ターゲット・インタラクション(DTI)予測手法は高い性能を示したが、現実の応用性はデータ多様性やモデリングの複雑さによって制限されている。 これらの課題に対処するために、大規模でバランスの取れた半帰納的DTIデータセットと高度なディープラーニングモデリングを組み合わせた統合フレームワークSCOPE-DTIを提案する。 13のパブリックリポジトリから構築されたSCOPEデータセットは、Humanデータセットのような一般的なベンチマークと比較して、データボリュームを最大100倍に拡張する。 SCOPEモデルは、三次元タンパク質と複合表現、グラフニューラルネットワーク、および双線形アテンション機構を統合して、ドメイン間の相互作用パターンを効果的にキャプチャし、様々なDTI予測タスクで最先端の手法を大幅に上回る。 さらにSCOPE-DTIはユーザフレンドリーなインターフェースとデータベースを提供する。 さらに,ジンセノシドRh1の抗がん剤標的を実験的に同定し,その効果を検証した。 包括的なデータ、高度なモデリング、およびアクセス可能なツールを提供することで、SCOPE-DTIは薬物発見の研究を加速する。

関連論文リスト

• MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
  マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。 MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
  論文  参考訳（メタデータ） (2024-11-23T05:38:36Z)
• A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction [3.1923357295923225]
  薬物と標的の相互作用(DTI)の予測は、薬物開発と再配置に不可欠である。 HNCL-DTIと呼ばれる異種ネットワークに基づくコントラスト学習手法を提案する。 実験結果から,HNCL-DTIはベンチマークデータセット上で既存の高度なベースライン手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-20T14:57:24Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• 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)
• 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)
• Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization [16.41618129467975]
  我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。 複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。 このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
  論文  参考訳（メタデータ） (2022-01-24T08:02:05Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
  DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。 実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-10T07:06:36Z)
• Toward Robust Drug-Target Interaction Prediction via Ensemble Modeling and Transfer Learning [0.0]
  本稿では,DTI予測のための深層学習モデル(EnsembleDLM)のアンサンブルを紹介する。 EnsembleDLMは、化学物質やタンパク質の配列情報のみを使用し、複数のディープニューラルネットワークからの予測を集約する。 DavisとKIBAのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-02T04:00:03Z)
• 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。