論文の概要: SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification

• arxiv url: http://arxiv.org/abs/2506.01405v1
• Date: Mon, 02 Jun 2025 08:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.097155
• Title: SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification
• Title（参考訳）: SOC-DGL:ドラッグターゲット相互作用識別のためのデュアルグラフ学習フレームワーク
• Authors: Xiang Zhao, Ruijie Li, Qiao Ning, Shikai Guo, Hui Li, Qian Ma,
• Abstract要約: 本稿では, Affinity-Driven Graph Learning (ADGL) モジュールと Equilibrium-Driven Graph Learning (EDGL) モジュールの2つの特別なモジュールからなるSOC-DGLを提案する。 ADGLモジュールは、親和性を高めたグローバルなドラッグターゲットグラフを利用して、グローバルなDTIと、ドラッグとターゲットの個人的類似情報の両方を学ぶ、包括的なソーシャルインタラクション戦略を採用している。 EDGLモジュールは高階の社会的相互作用戦略を採用し、バランス理論に基づく偶数多項式グラフフィルタによって偶数ホップの隣人の影響を増幅する。
• 参考スコア（独自算出の注目度）: 6.776003706755337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The identification of drug-target interactions (DTI) is crucial for drug discovery and repositioning, as it reveals potential uses of existing drugs, aiding in the acceleration of the drug development process and reducing associated costs. Despite the similarity information in DTI is important, most models are limited to mining direct similarity information within homogeneous graphs, overlooking the potential yet rich similarity information in heterogeneous graphs. Inspired by real-world social interaction behaviors, we propose SOC-DGL, which comprises two specialized modules: the Affinity-Driven Graph Learning (ADGL) module and the Equilibrium-Driven Graph Learning (EDGL) module. The ADGL module adopts a comprehensive social interaction strategy, leveraging an affinity-enhanced global drug-target graph to learn both global DTI and the individual similarity information of drugs and targets. In contrast, the EDGL module employs a higher-order social interaction strategy, amplifying the influence of even-hop neighbors through an even-polynomial graph filter grounded in balance theory, enabling the indirect mining of higher-order homogeneous information. This dual approach enables SOC-DGL to effectively and comprehensively capture similarity information across diverse interaction scales within the affinity matrices and drug-target association matrices, significantly enhancing the model's generalization capability and predictive accuracy in DTI tasks. To address the issue of imbalance in drug-target interaction datasets, this paper proposes an adjustable imbalance loss function that mitigates the impact of sample imbalance by adjusting the weight of negative samples and a parameter. Extensive experiments on four benchmark datasets demonstrate significant accuracy improvements achieved by SOC-DGL, particularly in scenarios involving data imbalance and unseen drugs or targets.
• Abstract（参考訳）: 薬物と標的の相互作用(DTI)の同定は、薬物の発見と再配置に不可欠であり、既存の薬物の使用の可能性を明らかにし、薬物開発プロセスの加速と関連するコストの削減に寄与する。 DTIにおける類似性情報は重要であるが、ほとんどのモデルは同質グラフ内の直接類似性情報をマイニングすることに限定され、不均一グラフにおける潜在的にリッチな類似性情報を見渡すことができる。 SOC-DGLはAffinity-Driven Graph Learning(ADGL)モジュールとEquilibrium-Driven Graph Learning(EDGL)モジュールの2つの特殊なモジュールからなる。 ADGLモジュールは、親和性を高めたグローバルなドラッグターゲットグラフを利用して、グローバルなDTIと、ドラッグとターゲットの個人的類似情報の両方を学ぶ、包括的なソーシャルインタラクション戦略を採用している。 対照的に、EDGLモジュールは高階の社会的相互作用戦略を採用し、バランス理論に基づく偶数多項式グラフフィルタによって偶数ホップ近傍の影響を増幅し、高階の同質情報の間接的なマイニングを可能にする。 この2つのアプローチにより、SOC-DGLは親和性行列とドラッグターゲット関連行列内の様々な相互作用スケールの類似情報を効果的かつ包括的に取得し、DTIタスクにおけるモデルの一般化能力と予測精度を大幅に向上させることができる。 薬物-標的相互作用データセットにおける不均衡の問題に対処するために, 負のサンプルとパラメータの重みを調整して, 試料不均衡の影響を緩和する調整可能な不均衡損失関数を提案する。 4つのベンチマークデータセットに対する大規模な実験は、SOC-DGLによって達成された、特にデータ不均衡や目に見えない薬物や標的を含むシナリオにおいて、大幅な精度の向上を示す。

関連論文リスト

• Large-Scale Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 ローカル推論戦略を用いることで、我々のアプローチは変数数に線形な複雑さを伴ってスケールし、数千の変数に効率的にスケールアップする。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• 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)
• HGTDP-DTA: Hybrid Graph-Transformer with Dynamic Prompt for Drug-Target Binding Affinity Prediction [14.866669337498257]
  薬物標的結合親和性(DTA)は薬物スクリーニングの重要な基準である。 本研究では,HGTDP-DTAと呼ばれる新しいDTA予測手法を提案する。 本手法は,各薬物・標的ペアに対してコンテキスト特異的なプロンプトを生成し,ユニークな相互作用を捕捉するモデルの能力を高める。 Davis と KIBA の2つの広く使われている公開データセットの実験により、HGTDP-DTA は予測性能と一般化能力の両方において最先端のDTA予測手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-25T16:33:33Z)
• MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
  本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。 我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。 ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-06-12T21:18:14Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• SemiGNN-PPI: Self-Ensembling Multi-Graph Neural Network for Efficient and Generalizable Protein-Protein Interaction Prediction [16.203794286288815]
  タンパク質とタンパク質の相互作用(PPI)は様々な生物学的プロセスにおいて重要であり、その研究は薬物開発や疾患の診断に重要な意味を持つ。 既存のディープラーニング手法は、複雑な実世界のシナリオ下での大幅なパフォーマンス劣化に悩まされる。 本稿では,PPIの効率と一般化性を両立させつつ,PPIを効果的に予測できる自己認識型マルチグラフニューラルネットワーク(SemiGNN-PPI)を提案する。
  論文  参考訳（メタデータ） (2023-05-15T03:06:44Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• 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)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)

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。