論文の概要: SCMPPI: Supervised Contrastive Multimodal Framework for Predicting Protein-Protein Interactions

• arxiv url: http://arxiv.org/abs/2504.02698v1
• Date: Thu, 03 Apr 2025 15:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:57:21.902982
• Title: SCMPPI: Supervised Contrastive Multimodal Framework for Predicting Protein-Protein Interactions
• Title（参考訳）: SCMPPI:タンパク質とタンパク質の相互作用を予測するためのコントラスト・マルチモーダル・フレームワーク
• Authors: Shengrui XU, Tianchi Lu, Zikun Wang, Jixiu Zhai, Jingwan Wang,
• Abstract要約: PPI予測のための新しい教師付きコントラスト型マルチモーダルフレームワークSCMPPIを提案する。 タンパク質配列の特徴とPPIネットワークトポロジー情報を統合することにより、SCMPPIはPPI予測性能を大幅に向上させる。 酵母、ヒト、H.pyloriを含む8つのベンチマークデータセットの実験は、SCMPPIが既存の最先端手法よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Protein-Protein Interaction (PPI) prediction is a key task in uncovering cellular functional networks and disease mechanisms. However, traditional experimental methods are time-consuming and costly, and existing computational models face challenges in cross-modal feature fusion, robustness, and false-negative suppression. In this paper, we propose a novel supervised contrastive multimodal framework, SCMPPI, for PPI prediction. By integrating protein sequence features (AAC, DPC, CKSAAP-ESMC) with PPI network topology information (Node2Vec graph embedding), and combining an improved supervised contrastive learning strategy, SCMPPI significantly enhances PPI prediction performance. For the PPI task, SCMPPI introduces a negative sample filtering mechanism and modifies the contrastive loss function, effectively optimizing multimodal features. Experiments on eight benchmark datasets, including yeast, human, and H.pylori, show that SCMPPI outperforms existing state-of-the-art methods (such as DF-PPI and TAGPPI) in key metrics such as accuracy ( 98.01%) and AUC (99.62%), and demonstrates strong generalization in cross-species prediction (AUC > 99% on multi-species datasets). Furthermore, SCMPPI has been successfully applied to CD9 networks, the Wnt pathway, and cancer-specific networks, providing a reliable tool for disease target discovery. This framework also offers a new paradigm for multimodal biological information fusion and contrastive learning in collaborative optimization for various combined predictions.
• Abstract（参考訳）: タンパク質-タンパク質相互作用(PPI)予測は、細胞機能ネットワークと疾患機構を明らかにする上で重要な課題である。 しかし、従来の実験手法は時間と費用がかかり、既存の計算モデルはクロスモーダルな特徴融合、ロバスト性、偽陰性抑圧の課題に直面している。 本稿では,PPI予測のための新しい教師付きコントラスト型マルチモーダルフレームワークSCMPPIを提案する。 タンパク質配列の特徴(AAC, DPC, CKSAAP-ESMC)をPPIネットワークトポロジ情報(Node2Vecグラフ埋め込み)と統合し、教師付きコントラスト学習戦略を改良することにより、SCMPPIはPPI予測性能を大幅に向上させる。 PPIタスクに対して、SCMPPIは負のサンプルフィルタリング機構を導入し、対照的な損失関数を修正し、マルチモーダル特徴を効果的に最適化する。 酵母、ヒト、H.pyloriを含む8つのベンチマークデータセットの実験では、SCMPPIは、精度(98.01%)やAUC(99.62%)といった重要な指標において既存の最先端手法(DF-PPIやTAGPPIなど)よりも優れており、クロス種予測(AUC > 99%)において強い一般化を示している。 さらに、SCMPPIはCD9ネットワーク、Wnt経路、癌特異的ネットワークにうまく適用され、疾患標的発見のための信頼性の高いツールを提供している。 このフレームワークはまた、様々な組み合わせ予測のための協調最適化において、マルチモーダルな生物学的情報融合とコントラスト学習のための新しいパラダイムを提供する。

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)
• Multiview Random Vector Functional Link Network for Predicting DNA-Binding Proteins [0.0]
  本稿では,マルチビュー学習とニューラルネットワークアーキテクチャを融合したMvRVFL(Multiview random vector functional link)ネットワークを提案する。 提案したMvRVFLモデルは、後期および初期融合の利点を組み合わせ、異なるビューをまたいだ明確な正規化パラメータを可能にする。 DBPデータセット上で提案したMvRVFLモデルの性能はベースラインモデルよりも優れており、その優れた効果を示している。
  論文  参考訳（メタデータ） (2024-09-04T10:14:17Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
  タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。 MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2024-02-22T09:04:41Z)
• MCPI: Integrating Multimodal Data for Enhanced Prediction of Compound Protein Interactions [15.5883647480458]
  複合タンパク質相互作用(CPI)の同定は、薬物スクリーニング、薬物再精製、併用療法研究において重要な役割を担っている。 CPI予測の有効性は、化合物と標的タンパク質の両方から抽出された特徴に大きく依存している。 本研究では,CPIの予測性能の向上を目的としたMCPIモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-15T07:20:26Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• A Supervised Machine Learning Approach for Sequence Based Protein-protein Interaction (PPI) Prediction [4.916874464940376]
  計算タンパク質間相互作用(PPI)予測技術は、時間、コスト、偽陽性相互作用の低減に大きく貢献する。 提案したソリューションをSeqPIPコンペティションの結果とともに紹介した。
  論文  参考訳（メタデータ） (2022-03-23T18:27:25Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Predicting the Binding of SARS-CoV-2 Peptides to the Major Histocompatibility Complex with Recurrent Neural Networks [0.40040974874482094]
  我々は、繰り返しニューラルネットワークに基づく概念的にシンプルな予測アルゴリズムであるUSMPepを適応し、拡張する。 最近リリースされたSARS-CoV-2データセットの性能をバインディング安定性測定で評価します。
  論文  参考訳（メタデータ） (2021-04-16T17:16:35Z)
• Covert Model Poisoning Against Federated Learning: Algorithm Design and Optimization [76.51980153902774]
  フェデレーテッド・ラーニング(FL)はパラメータ伝達中にFLモデルに対する外部攻撃に対して脆弱である。 本稿では,最先端の防御アグリゲーション機構に対処する有効なMPアルゴリズムを提案する。 実験の結果,提案したCMPアルゴリズムは,既存の攻撃機構よりも効果的で,かなり優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-28T03:28:18Z)

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。