論文の概要: MTPNet: Multi-Grained Target Perception for Unified Activity Cliff Prediction

• arxiv url: http://arxiv.org/abs/2506.05427v1
• Date: Thu, 05 Jun 2025 06:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.15365
• Title: MTPNet: Multi-Grained Target Perception for Unified Activity Cliff Prediction
• Title（参考訳）: MTPNet: 統合アクティビティクリフ予測のためのマルチグラインドターゲット認識
• Authors: Zishan Shu, Yufan Deng, Hongyu Zhang, Zhiwei Nie, Jie Chen,
• Abstract要約: MTPNet(Multi-Grained Target Perception Network)は,活動崖予測のための統合フレームワークである。 我々の知る限り、重要な相互作用の詳細を効果的に捉えるためのガイド情報として、受容体タンパク質を用いるのはこれが初めてである。
• 参考スコア（独自算出の注目度）: 10.824763293562173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Activity cliff prediction is a critical task in drug discovery and material design. Existing computational methods are limited to handling single binding targets, which restricts the applicability of these prediction models. In this paper, we present the Multi-Grained Target Perception network (MTPNet) to incorporate the prior knowledge of interactions between the molecules and their target proteins. Specifically, MTPNet is a unified framework for activity cliff prediction, which consists of two components: Macro-level Target Semantic (MTS) guidance and Micro-level Pocket Semantic (MPS) guidance. By this way, MTPNet dynamically optimizes molecular representations through multi-grained protein semantic conditions. To our knowledge, it is the first time to employ the receptor proteins as guiding information to effectively capture critical interaction details. Extensive experiments on 30 representative activity cliff datasets demonstrate that MTPNet significantly outperforms previous approaches, achieving an average RMSE improvement of 18.95% on top of several mainstream GNN architectures. Overall, MTPNet internalizes interaction patterns through conditional deep learning to achieve unified predictions of activity cliffs, helping to accelerate compound optimization and design. Codes are available at: https://github.com/ZishanShu/MTPNet.
• Abstract（参考訳）: 活動崖予測は、薬物発見と材料設計において重要な課題である。 既存の計算手法は単一結合対象の処理に限られており、これらの予測モデルの適用性を制限する。 本稿では,分子と標的タンパク質の相互作用に関する先行知識を組み込むために,MTPNet(Multi-Grained Target Perception Network)を提案する。 マクロレベルターゲットセマンティック(MTS)ガイダンスとマイクロレベルポケットセマンティック(MPS)ガイダンスである。 このようにして、MTPNetは多粒タンパク質セマンティック条件による分子表現を動的に最適化する。 我々の知る限り、重要な相互作用の詳細を効果的に捉えるためのガイド情報として、受容体タンパク質を用いるのはこれが初めてである。 30の代表的な活動崖データセットに対する大規模な実験により、MTPNetはいくつかの主要なGNNアーキテクチャの上に平均18.95%のRMSE改善を達成し、従来のアプローチよりも大幅に優れていたことが示されている。 全体として、MTPNetは条件付きディープラーニングを通じて相互作用パターンを内部化し、アクティビティ崖の統一的な予測を実現し、複合最適化と設計を加速する。 コードは、https://github.com/ZishanShu/MTPNet.comで入手できる。

関連論文リスト

• FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design [3.0194452317530662]
  FMEnetsは、非理想的なプラグフローリアクターの設計と解析のための機械学習フレームワークである。 基本的な支配方程式(流体流のNavier-Stokes、反応種輸送の物質収支、温度分布のエネルギー収支)を統一されたマルチスケールネットワークモデルに統合する。 従来のマルチ層パーセプトロンを使用するFME-PINNや、Kolmogorov-Arnold NetworksをベースとしたFME-KANとして実装することができる。
  論文  参考訳（メタデータ） (2025-05-10T03:46:48Z)
• Data-Driven Object Tracking: Integrating Modular Neural Networks into a Kalman Framework [2.1369549137353805]
  マルチオブジェクト追跡(MOT)における重要な課題に対処する3つのニューラルネットワーク(NN)モデルを導入する。 3つのネットワークはすべて、リアルタイムで組み込み環境で動作するように設計されている。 公的なKITTI追跡データセットを用いて評価を行った結果,追跡性能が大幅に向上したことが示された。
  論文  参考訳（メタデータ） (2025-04-03T12:13:38Z)
• 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)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Pattern-Matching Dynamic Memory Network for Dual-Mode Traffic Prediction [11.99118889081249]
  トラフィック予測のためのパターンマッチング動的メモリネットワーク(PM-DMNet)を提案する。 PM-DMNetは、O(N)複雑さだけでトラフィックパターンの特徴を捉えるために、新しい動的メモリネットワークを採用している。 提案モデルは既存のベンチマークよりも優れている。
  論文  参考訳（メタデータ） (2024-08-12T15:12:30Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)

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。