論文の概要: MolCLIP: A Molecular-Auxiliary CLIP Framework for Identifying Drug Mechanism of Action Based on Time-Lapsed Mitochondrial Images

• arxiv url: http://arxiv.org/abs/2507.07663v1
• Date: Thu, 10 Jul 2025 11:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.37675
• Title: MolCLIP: A Molecular-Auxiliary CLIP Framework for Identifying Drug Mechanism of Action Based on Time-Lapsed Mitochondrial Images
• Title（参考訳）: MolCLIP: 経時的ミトコンドリア画像に基づく作用機序の同定のための分子補助的CLIPフレームワーク
• Authors: Fengqian Pang, Chunyue Lei, Hongfei Zhao, Chenghao Liu, Zhiqiang Xing, Huafeng Wang, Chuyang Ye,
• Abstract要約: 薬物作用機構(英語版)(MoA)は、主に薬物分子が細胞とどのように相互作用するかを研究する。 深層学習モデルは、細胞の高濃度および蛍光画像に依存してMoAを認識するために使用されている。 タイムラプスイメージングは、薬物に対する細胞反応を観察するのにより適している。 本稿では,マイクロセルビデオと分子モダリティを組み合わせた最初の視覚言語モデルであるMolCLIPを提案する。
• 参考スコア（独自算出の注目度）: 18.49670825127819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug Mechanism of Action (MoA) mainly investigates how drug molecules interact with cells, which is crucial for drug discovery and clinical application. Recently, deep learning models have been used to recognize MoA by relying on high-content and fluorescence images of cells exposed to various drugs. However, these methods focus on spatial characteristics while overlooking the temporal dynamics of live cells. Time-lapse imaging is more suitable for observing the cell response to drugs. Additionally, drug molecules can trigger cellular dynamic variations related to specific MoA. This indicates that the drug molecule modality may complement the image counterpart. This paper proposes MolCLIP, the first visual language model to combine microscopic cell video- and molecule-modalities. MolCLIP designs a molecule-auxiliary CLIP framework to guide video features in learning the distribution of the molecular latent space. Furthermore, we integrate a metric learning strategy with MolCLIP to optimize the aggregation of video features. Experimental results on the MitoDataset demonstrate that MolCLIP achieves improvements of 51.2% and 20.5% in mAP for drug identification and MoA recognition, respectively.
• Abstract（参考訳）: 薬物作用機構(英: Drug Mechanism of Action, MOA)は、薬物の発見と臨床応用に欠かせない、薬物分子が細胞とどのように相互作用するかを主に研究する。 近年,様々な薬物に曝露された細胞の高濃度および蛍光画像に頼って,MoAの認識にディープラーニングモデルが用いられている。 しかし,これらの手法は生きた細胞の時間動態を観察しながら空間特性に焦点をあてる。 タイムラプスイメージングは、薬物に対する細胞反応を観察するのにより適している。 さらに、薬物分子は特定のMoAに関連する細胞動態を誘導することができる。 これは、薬物分子のモダリティが画像の相補性を示唆している。 本稿では,マイクロセルビデオと分子モダリティを組み合わせた最初の視覚言語モデルであるMolCLIPを提案する。 MolCLIPは分子逆CLIPフレームワークを設計し、分子潜伏空間の分布を学習するためのビデオ特徴を導く。 さらに,ビデオ機能の集約を最適化するために,MolCLIPとメトリック学習戦略を統合した。 MitoDatasetの実験結果は、MolCLIPがそれぞれ、薬物識別のためのmAPの51.2%と20.5%の改善を達成していることを示している。

関連論文リスト

• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• MaskMol: Knowledge-guided Molecular Image Pre-Training Framework for Activity Cliffs [18.901322124389218]
  MaskMolは知識誘導型分子画像自己教師型学習フレームワークである。 MaskMolは、複数のレベルの分子知識を考慮し、分子画像の表現を正確に学習する。 その結果,MaskMolの活性崖推定および複合有効性予測における高精度かつ伝達性を示した。
  論文  参考訳（メタデータ） (2024-09-02T03:03:22Z)
• DrugLLM: Open Large Language Model for Few-shot Molecule Generation [20.680942401843772]
  DrugLLMは、過去の修飾に基づいて次の分子を予測することで、薬物発見における分子の修飾方法を学ぶ。 計算実験では、限られた例に基づいて期待された特性を持つ新しい分子を生成することができる。
  論文  参考訳（メタデータ） (2024-05-07T09:18:13Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
  MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。 両者の分子表現の強さを融合させる。 ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-11-28T10:28:35Z)
• MolCAP: Molecular Chemical reActivity pretraining and prompted-finetuning enhanced molecular representation learning [3.179128580341411]
  MolCAPは、化学反応性(IMR)知識に基づくグラフ事前学習トランスフォーマーであり、微調整を誘導する。 MolCAPによって推進され、基礎的なグラフニューラルネットワークでさえ、以前のモデルを上回る驚くべきパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2023-06-13T13:48:06Z)
• Empowering Molecule Discovery for Molecule-Caption Translation with Large Language Models: A ChatGPT Perspective [53.300288393173204]
  大規模言語モデル(LLM)は、様々なクロスモーダルタスクにおいて顕著なパフォーマンスを示している。 本研究では,分子カプセル翻訳のためのインコンテキストFew-Shot Molecule Learningパラダイムを提案する。 分子理解とテキストベースの分子生成を含む分子キャプション翻訳におけるMollReGPTの有効性を評価する。
  論文  参考訳（メタデータ） (2023-06-11T08:16:25Z)

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。