論文の概要: DPASyn: Mechanism-Aware Drug Synergy Prediction via Dual Attention and Precision-Aware Quantization

• arxiv url: http://arxiv.org/abs/2505.19144v2
• Date: Sat, 20 Sep 2025 13:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 14:36:45.171085
• Title: DPASyn: Mechanism-Aware Drug Synergy Prediction via Dual Attention and Precision-Aware Quantization
• Title（参考訳）: DPASyn:Dual AttentionとPrecision-Aware Quantizationによるメカニズムを考慮した薬物のシナジー予測
• Authors: Yuxuan Nie, Yutong Song, Jinjie Yang, Yupeng Song, Yujue Zhou, Hong Peng,
• Abstract要約: 薬物の組み合わせはがん治療において必須であり、抗がん剤と薬物の相互作用(DDI)を活用して効果と戦闘抵抗性を高める。 二重注意機構と精度認識量子化(PAQ)を備えた新しい薬物相乗効果予測フレームワークDPASynを提案する。 デュアルアテンションアーキテクチャは、ドラッグ内構造とドラッグ間相互作用を共有プロジェクションとクロスドラッグアテンションを通じて共同でモデル化し、きめ細かな生物学的に妥当な相乗効果モデリングを可能にする。
• 参考スコア（独自算出の注目度）: 2.8158058913878268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug combinations are essential in cancer therapy, leveraging synergistic drug-drug interactions (DDI) to enhance efficacy and combat resistance. However, the vast combinatorial space makes experimental screening impractical, and existing computational models struggle to capture the complex, bidirectional nature of DDIs, often relying on independent drug encoding or simplistic fusion strategies that miss fine-grained inter-molecular dynamics. Moreover, state-of-the-art graph-based approaches suffer from high computational costs, limiting scalability for real-world drug discovery. To address this, we propose DPASyn, a novel drug synergy prediction framework featuring a dual-attention mechanism and Precision-Aware Quantization (PAQ). The dual-attention architecture jointly models intra-drug structures and inter-drug interactions via shared projections and cross-drug attention, enabling fine-grained, biologically plausible synergy modeling. While this enhanced expressiveness brings increased computational resource consumption, our proposed PAQ strategy complements it by dynamically optimizing numerical precision during training based on feature sensitivity-reducing memory usage by 40% and accelerating training threefold without sacrificing accuracy. With LayerNorm-stabilized residual connections for training stability, DPASyn outperforms seven state-of-the-art methods on the O'Neil dataset (13,243 combinations) and supports full-batch processing of up to 256 graphs on a single GPU, setting a new standard for efficient and expressive drug synergy prediction.
• Abstract（参考訳）: 薬物の組み合わせはがん治療において必須であり、抗がん剤と薬物の相互作用(DDI)を活用して効果と戦闘抵抗性を高める。 しかし、膨大な組合せ空間は実験的なスクリーニングを非現実的なものにしており、既存の計算モデルはDDIの複雑な双方向の性質を捉えるのに苦労している。 さらに、最先端のグラフベースのアプローチは計算コストが高く、現実世界の薬物発見のスケーラビリティを制限している。 DPASynは,2重アテンション機構と高精度アウェア量子化(PAQ)を備えた新しい薬物相乗予測フレームワークである。 デュアルアテンションアーキテクチャは、ドラッグ内構造とドラッグ間相互作用を共有プロジェクションとクロスドラッグアテンションを通じて共同でモデル化し、きめ細かな生物学的に妥当な相乗効果モデリングを可能にする。 この表現性の向上は, 計算資源消費の増大をもたらすが, 提案したPAQ戦略は, 特徴感度低減メモリ使用率を40%減らし, 精度を犠牲にすることなく3倍の高速化を図り, トレーニング中の数値精度を動的に最適化することでこれを補完する。 トレーニング安定性のためのLayerNorm安定化残差接続では、DPASynはO'Neilデータセット(13,243の組み合わせ)上で7つの最先端メソッドを上回り、単一のGPU上で最大256グラフのフルバッチ処理をサポートし、効率的で表現力のある薬物相乗効果予測のための新しい標準を設定している。

関連論文リスト

• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• ScaffoldGPT: A Scaffold-based GPT Model for Drug Optimization [3.240904428766923]
  ScaffoldGPTは分子足場に基づく薬物最適化のために設計されたGPT(Generative Pretrained Transformer)である。 本研究は,(1)事前学習,微調整,復号化を統合した3段階の薬物最適化アプローチである。 我々は、ScaffoldGPTが薬物最適化ベンチマークにおいて競合するベースラインを上回っている新型コロナウイルスとがんのベンチマークに関する総合的な評価を通じて、実証を行う。
  論文  参考訳（メタデータ） (2025-02-09T10:36:33Z)
• MD-Syn: Synergistic drug combination prediction based on the multidimensional feature fusion method and attention mechanisms [0.0]
  薬物併用療法は、複雑な疾患に対して有望な治療効果を示し、薬剤耐性を低下させる可能性を示している。 薬物の組み合わせの可能性は非常に多いため、従来の実験ではそれらを全てスクリーニングすることは困難である。 本研究では,多次元特徴融合法とマルチヘッドアテンション機構に基づく計算フレームワークMD-Synを提案する。
  論文  参考訳（メタデータ） (2025-01-14T06:50:56Z)
• 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)
• ALNSynergy: a graph convolutional network with multi-representation alignment for drug synergy prediction [8.316187397380244]
  薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。 本研究では,薬物相乗効果を予測するための多表現アライメントを備えたグラフ畳み込みネットワークであるALNSynergyを提案する。
  論文  参考訳（メタデータ） (2023-11-27T15:34:14Z)
• CongFu: Conditional Graph Fusion for Drug Synergy Prediction [8.939263684319263]
  CongFuは、薬物のシナジーを予測するために設計された条件付きグラフ融合層である。 12のベンチマークデータセット中11の最先端の結果を達成している。 薬物が遺伝子に与える影響を解明するための説明可能性戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-23T20:46:17Z)
• 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)
• 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)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)

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。