論文の概要: Uncertainty-Aware Metabolic Stability Prediction with Dual-View Contrastive Learning

• arxiv url: http://arxiv.org/abs/2506.00936v1
• Date: Sun, 01 Jun 2025 10:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.804478
• Title: Uncertainty-Aware Metabolic Stability Prediction with Dual-View Contrastive Learning
• Title（参考訳）: Dual-View Contrastive Learningを用いた不確実性を考慮したメタボリック安定性予測
• Authors: Peijin Guo, Minghui Li, Hewen Pan, Bowen Chen, Yang Wu, Zikang Guo, Leo Yu Zhang, Shengshan Hu, Shengqing Hu,
• Abstract要約: TrustworthyMSは、不確実性を認識した代謝安定性予測のために設計された、新しい対照的な学習フレームワークである。 以上の結果から,TrustworthyMSは現在の最先端手法よりも予測性能が優れていることが示された。
• 参考スコア（独自算出の注目度）: 17.967282904452716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of molecular metabolic stability (MS) is critical for drug research and development but remains challenging due to the complex interplay of molecular interactions. Despite recent advances in graph neural networks (GNNs) for MS prediction, current approaches face two critical limitations: (1) incomplete molecular modeling due to atom-centric message-passing mechanisms that disregard bond-level topological features, and (2) prediction frameworks that lack reliable uncertainty quantification. To address these challenges, we propose TrustworthyMS, a novel contrastive learning framework designed for uncertainty-aware metabolic stability prediction. First, a molecular graph topology remapping mechanism synchronizes atom-bond interactions through edge-induced feature propagation, capturing both localized electronic effects and global conformational constraints. Second, contrastive topology-bond alignment enforces consistency between molecular topology views and bond patterns via feature alignment, enhancing representation robustness. Third, uncertainty modeling through Beta-Binomial uncertainty quantification enables simultaneous prediction and confidence calibration under epistemic uncertainty. Through extensive experiments, our results demonstrate that TrustworthyMS outperforms current state-of-the-art methods in terms of predictive performance.
• Abstract（参考訳）: 分子代謝安定性(MS)の正確な予測は、医薬品の研究や開発には不可欠であるが、分子間相互作用の複雑な相互作用のため、依然として困難である。 MS予測のためのグラフニューラルネットワーク(GNN)の最近の進歩にもかかわらず、現在のアプローチでは、(1)結合レベルトポロジ的特徴を無視した原子中心のメッセージパス機構による不完全な分子モデリング、(2)確実な定量化を欠いた予測フレームワークの2つの重要な制限に直面している。 これらの課題に対処するために,不確実性を考慮したメタボリック安定性予測のための新しいコントラスト学習フレームワークであるTrustworthyMSを提案する。 第一に、分子グラフトポロジー再マッピング機構は、エッジ誘起の特徴伝播を通じて原子結合相互作用を同期させ、局所電子効果とグローバルコンフォメーション制約の両方を捕捉する。 第二に、対照的なトポロジー結合アライメントは、特徴アライメントによる分子トポロジービューと結合パターンの整合性を強制し、表現の堅牢性を高める。 第3に、ベータ・バイノミカル不確実性定量化による不確実性モデリングは、疫学的不確実性の下で同時予測と信頼度校正を可能にする。 広範な実験により,TrustworthyMSは予測性能において最先端の手法よりも優れていることが示された。

関連論文リスト

• Improving Counterfactual Truthfulness for Molecular Property Prediction through Uncertainty Quantification [0.6144680854063939]
  XAIの介入は、複雑なブラックボックスモデルの解釈可能性を改善することを目的としている。 分子特性予測において、反事実的説明は予測行動を理解する方法を提供する。 本研究では,不確実性の高い候補をフィルタするための不確実性推定手法の統合を提案する。
  論文  参考訳（メタデータ） (2025-04-03T14:07:30Z)
• Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
  ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。 時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
  論文  参考訳（メタデータ） (2024-04-25T12:47:47Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Doubly Stochastic Graph-based Non-autoregressive Reaction Prediction [59.41636061300571]
  電子再分配予測を得るために2つの二重自己アテンションマッピングを組み合わせた新しいフレームワークを提案する。 提案手法は,非自己回帰モデルの予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:15:39Z)
• Graph Neural Network Interatomic Potential Ensembles with Calibrated Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
  本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。 提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。 予測性能と不確実性校正の詳細な解析を行う。
  論文  参考訳（メタデータ） (2023-05-10T13:03:06Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。