論文の概要: PDCNet: a benchmark and general deep learning framework for activity prediction of peptide-drug conjugates

• arxiv url: http://arxiv.org/abs/2506.12821v1
• Date: Sun, 15 Jun 2025 12:02:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.908958
• Title: PDCNet: a benchmark and general deep learning framework for activity prediction of peptide-drug conjugates
• Title（参考訳）: PDCNet:ペプチドドラッグ共役体の活性予測のためのベンチマークおよび一般ディープラーニングフレームワーク
• Authors: Yun Liu, Jintu Huang, Yingying Zhu, Congrui Wen, Yu Pang, Ji-Quan Zhang, Ling Wang,
• Abstract要約: PDCNet は PDC の活動を予測するための,最初の統合型ディープラーニングフレームワークである。 このアーキテクチャは、リアルタイムシナリオにおけるPDCの抗がん決定の根底にある複雑な要因を捉えている。 PDCNetは高い予測能力を示し、AUC、F1、MCC、BAスコアは0.9213、0.7656、0.7071、0.8388である。
• 参考スコア（独自算出の注目度）: 10.82960980467436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peptide-drug conjugates (PDCs) represent a promising therapeutic avenue for human diseases, particularly in cancer treatment. Systematic elucidation of structure-activity relationships (SARs) and accurate prediction of the activity of PDCs are critical for the rational design and optimization of these conjugates. To this end, we carefully design and construct a benchmark PDCs dataset compiled from literature-derived collections and PDCdb database, and then develop PDCNet, the first unified deep learning framework for forecasting the activity of PDCs. The architecture systematically captures the complex factors underlying anticancer decisions of PDCs in real-word scenarios through a multi-level feature fusion framework that collaboratively characterizes and learns the features of peptides, linkers, and payloads. Leveraging a curated PDCs benchmark dataset, comprehensive evaluation results show that PDCNet demonstrates superior predictive capability, with the highest AUC, F1, MCC and BA scores of 0.9213, 0.7656, 0.7071 and 0.8388 for the test set, outperforming eight established traditional machine learning models. Multi-level validations, including 5-fold cross-validation, threshold testing, ablation studies, model interpretability analysis and external independent testing, further confirm the superiority, robustness, and usability of the PDCNet architecture. We anticipate that PDCNet represents a novel paradigm, incorporating both a benchmark dataset and advanced models, which can accelerate the design and discovery of new PDC-based therapeutic agents.
• Abstract（参考訳）: Peptide-drug conjugates (PDCs) はヒト疾患、特に癌治療において有望な治療法である。 構造活性関係(SAR)の体系的解明とPDCの活動の正確な予測は、これらの共役体の合理的な設計と最適化に不可欠である。 この目的のために、文献由来のコレクションとPDCdbデータベースからコンパイルされたベンチマークPDCデータセットを慎重に設計、構築し、PDCの活動を予測するための最初の統合ディープラーニングフレームワークであるPDCNetを開発する。 このアーキテクチャは、リアルタイムシナリオにおけるPDCの抗がん決定の根底にある複雑な要因を、ペプチド、リンカー、ペイロードの特徴を協調的に特徴付け、学習する多層機能融合フレームワークを通じて体系的に捉えている。 キュレートされたPDCベンチマークデータセットを活用すると、総合的な評価結果から、PDCNetは優れた予測能力を示し、最も高いAUC、F1、MCC、BAスコアは0.9213、0.7656、0.7071、0.8388で、既存の8つの機械学習モデルを上回っている。 5倍のクロスバリデーション、しきい値テスト、アブレーション研究、モデル解釈可能性分析、外部独立テストを含むマルチレベル検証は、PDCNetアーキテクチャの優位性、堅牢性、使用性をさらに確認する。 我々は、PDCNetが新しいパラダイムであり、ベンチマークデータセットと高度なモデルの両方を取り入れ、新しいPDCベースの治療薬の設計と発見を加速することを期待している。

関連論文リスト

• A Conformal Predictive Measure for Assessing Catastrophic Forgetting [6.574808513848414]
  本研究は,連続学習における破滅的忘れ (CF) の評価手法を紹介する。 CPCF(Conformal Prediction Confidence Factor)と呼ばれる新しい共形予測基準を提案する。
  論文  参考訳（メタデータ） (2025-05-15T19:42:17Z)
• SCMPPI: Supervised Contrastive Multimodal Framework for Predicting Protein-Protein Interactions [0.0]
  本稿では,タンパク質-タンパク質相互作用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。 8つのベンチマークデータセットの実験では、最先端の精度(98.13%)とAUC(99.69%)と優れたクロス種一般化が示されている。 CD9ネットワーク、Wnt経路解析、がん特異的ネットワークで成功した応用は、さらに疾患標的発見の可能性を強調している。
  論文  参考訳（メタデータ） (2025-04-03T15:34:02Z)
• Integration of nested cross-validation, automated hyperparameter optimization, high-performance computing to reduce and quantify the variance of test performance estimation of deep learning models [2.4901555666568624]
  本研究では,ディープラーニングモデルの試験性能指標の分散を低減・定量化するためにNACHOSを導入する。 NACHOS は NCV と AHPO を並列化された高性能コンピューティングフレームワークに統合する。 DACHOSは、AHPOとクロスバリデーションを活用するために導入され、完全なデータセット上で最終モデルを構築する。
  論文  参考訳（メタデータ） (2025-03-11T16:25:44Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• Rethinking model prototyping through the MedMNIST+ dataset collection [0.11999555634662634]
  この作業では、MedMNIST+データセットコレクションの包括的なベンチマークを導入する。 我々は、一般的なCNN(Convolutional Neural Networks)とViT(Vision Transformer)アーキテクチャを、異なる医療データセットにわたって再評価する。 この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルが,エンドツーエンドのトレーニングに有効な代替手段を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-24T10:19:25Z)
• ADCNet: a unified framework for predicting the activity of antibody-drug conjugates [10.505601188252866]
  ADCNetと呼ばれる統合されたディープラーニングフレームワークを導入し、ADCの設計を支援する。 ADCNetは、タンパク質表現学習言語モデルESM-2と小分子表現学習言語モデルFG-BERTを高度に統合し、活動予測を実現する。 コミュニティの便宜を図るため,最適な ADCNet モデルに基づく ADC 活動予測のためのオンラインプラットフォームを開発した。
  論文  参考訳（メタデータ） (2024-01-17T12:34:17Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)

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。