Fugu-MT 論文翻訳(概要): Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations

論文の概要: Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations

arxiv url: http://arxiv.org/abs/2507.09173v1
Date: Sat, 12 Jul 2025 07:43:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 18:48:22.65201
Title: Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations
Title（参考訳）: 解釈可能な薬物・薬物相互作用予測に向けて:分子・ネットワークレベルの説明を用いたグラフベースアプローチ
Authors: Mengjie Chen, Ming Zhang, Cunquan Qu,
Abstract要約: 薬物と薬物の相互作用(DDI)は、薬理学において重要な課題であり、しばしば患者の安全と医療結果に重大な影響を及ぼす有害な薬物反応を引き起こす。我々は,分子と生物の知識を統合したグラフベースの新しいフレームワークであるMolecBioNetを提案し,ロバストで解釈可能なDDI予測を行う。
参考スコア（独自算出の注目度）: 3.6099926707292793
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Drug-drug interactions (DDIs) represent a critical challenge in pharmacology, often leading to adverse drug reactions with significant implications for patient safety and healthcare outcomes. While graph-based methods have achieved strong predictive performance, most approaches treat drug pairs independently, overlooking the complex, context-dependent interactions unique to drug pairs. Additionally, these models struggle to integrate biological interaction networks and molecular-level structures to provide meaningful mechanistic insights. In this study, we propose MolecBioNet, a novel graph-based framework that integrates molecular and biomedical knowledge for robust and interpretable DDI prediction. By modeling drug pairs as unified entities, MolecBioNet captures both macro-level biological interactions and micro-level molecular influences, offering a comprehensive perspective on DDIs. The framework extracts local subgraphs from biomedical knowledge graphs and constructs hierarchical interaction graphs from molecular representations, leveraging classical graph neural network methods to learn multi-scale representations of drug pairs. To enhance accuracy and interpretability, MolecBioNet introduces two domain-specific pooling strategies: context-aware subgraph pooling (CASPool), which emphasizes biologically relevant entities, and attention-guided influence pooling (AGIPool), which prioritizes influential molecular substructures. The framework further employs mutual information minimization regularization to enhance information diversity during embedding fusion. Experimental results demonstrate that MolecBioNet outperforms state-of-the-art methods in DDI prediction, while ablation studies and embedding visualizations further validate the advantages of unified drug pair modeling and multi-scale knowledge integration.
Abstract（参考訳）: 薬物と薬物の相互作用(DDI)は、薬理学において重要な課題であり、しばしば患者の安全と医療結果に重大な影響を及ぼす有害な薬物反応を引き起こす。グラフベースの手法は強い予測性能を達成したが、ほとんどの手法は薬物対に特有の複雑な文脈依存的な相互作用を見越して、薬物対を独立に扱う。さらに、これらのモデルは、生物学的相互作用ネットワークと分子レベルの構造を統合し、意味のある力学的な洞察を提供するのに苦労する。本研究では,分子と生物の知識を統合したグラフベースの新しいフレームワークであるMolecBioNetを提案する。 MolecBioNetは、薬物対を統一された実体としてモデル化することで、マクロレベルの生物学的相互作用とマイクロレベルの分子の影響の両方を捉え、DDIに関する包括的な視点を提供する。このフレームワークは、バイオメディカル知識グラフから局所的な部分グラフを抽出し、分子表現から階層的な相互作用グラフを構築し、古典的なグラフニューラルネットワーク手法を利用して薬物対のマルチスケール表現を学習する。正確性と解釈可能性を高めるために、MorecBioNetは、生物学的に関係のあるエンティティを強調するコンテキスト対応サブグラフプーリング(CASPool)と、影響のある分子サブ構造を優先する注意誘導インフルエンスプーリング(AGIPool)の2つのドメイン固有のプーリング戦略を導入した。組込み核融合時の情報多様性を高めるため、相互情報の最小化規則化も活用する。実験の結果,MorecBioNetはDDI予測における最先端の手法よりも優れており,アブレーション研究や組込み可視化は統合された薬物ペアモデリングとマルチスケール知識統合の利点をさらに証明している。

関連論文リスト

A Graph-in-Graph Learning Framework for Drug-Target Interaction Prediction [1.7694720737295506]
帰納的学習と帰納的学習の両方の力を利用する新しい枠組みを導入する。このフレームワーク内には、GNNベースのGraph-in-Graph(GiG)と呼ばれるモデルがあり、ドラッグとターゲットの分子構造のグラフを、薬物とターゲットの相互作用グラフのメタノードとして表現している。実験結果から,GIGモデルが既存の評価指標をはるかに上回る結果が得られた。
論文参考訳（メタデータ） (2025-07-15T21:49:36Z)
KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2025-06-16T08:02:42Z)
Learning Hierarchical Interaction for Accurate Molecular Property Prediction [8.488251667425887]
Hierarchical Interaction Message Net (HimNet)は、ADMETプロファイルを予測するための新しいディープラーニングモデルである。 HimNetは、ほとんどの分子特性予測タスクにおいて、最高の、または最も近いパフォーマンスを達成する。 HimNetは、分子活性とADMET特性予測のための正確で効率的なソリューションであると考えています。
論文参考訳（メタデータ） (2025-04-28T15:19:28Z)
Addressing Model Overcomplexity in Drug-Drug Interaction Prediction With Molecular Fingerprints [0.0]
薬物と薬物の相互作用(DDI)の正確な予測は、医薬品研究と臨床安全性に不可欠である。最近のディープラーニングモデルは、しばしば高い計算コストとデータセット間の限定的な一般化に悩まされる。本研究では,Morgan fingerprints (S), graph-based embeddings from graph convolutional network (GCNs), transformer- derived embeddings from MoLFormer integrated into a straight neural network。
論文参考訳（メタデータ） (2025-03-30T18:27:01Z)
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)
Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
論文参考訳（メタデータ） (2024-05-04T10:09:27Z)
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)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
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)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)
Multi-view Graph Contrastive Representation Learning for Drug-Drug Interaction Prediction [11.87950055946236]
そこで本研究では,薬物と薬物の相互作用予測のためのマルチビューグラフコントラスト表現学習法であるMIRACLEを提案する。我々は,MIRACLE学習段階におけるDDI関係と薬物分子グラフを符号化するために,GCNとボンドアウェア注意メッセージパッシングネットワークを使用する。複数の実データセットの実験により、MIRACLEは最先端のDDI予測モデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-10-22T13:37:19Z)

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。