論文の概要: A Graph-in-Graph Learning Framework for Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2507.11757v1
• Date: Tue, 15 Jul 2025 21:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.160924
• Title: A Graph-in-Graph Learning Framework for Drug-Target Interaction Prediction
• Title（参考訳）: 薬物・標的相互作用予測のためのグラフ・イン・グラフ学習フレームワーク
• Authors: Yuehua Song, Yong Gao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.7694720737295506
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately predicting drug-target interactions (DTIs) is pivotal for advancing drug discovery and target validation techniques. While machine learning approaches including those that are based on Graph Neural Networks (GNN) have achieved notable success in DTI prediction, many of them have difficulties in effectively integrating the diverse features of drugs, targets and their interactions. To address this limitation, we introduce a novel framework to take advantage of the power of both transductive learning and inductive learning so that features at molecular level and drug-target interaction network level can be exploited. Within this framework is a GNN-based model called Graph-in-Graph (GiG) that represents graphs of drug and target molecular structures as meta-nodes in a drug-target interaction graph, enabling a detailed exploration of their intricate relationships. To evaluate the proposed model, we have compiled a special benchmark comprising drug SMILES, protein sequences, and their interaction data, which is interesting in its own right. Our experimental results demonstrate that the GiG model significantly outperforms existing approaches across all evaluation metrics, highlighting the benefits of integrating different learning paradigms and interaction data.
• Abstract（参考訳）: 薬物-標的相互作用(DTI)の正確な予測は、薬物発見と標的検証技術の進歩に重要である。 グラフニューラルネットワーク(GNN)に基づく機械学習アプローチは、DTI予測において顕著な成功を収めているが、その多くが、薬物、標的、それらの相互作用の多様な特徴を効果的に統合するのに困難である。 この制限に対処するために,分子レベルと薬物-標的相互作用ネットワークレベルの特徴を活用できるように,トランスダクティブ学習とインダクティブ学習の両方のパワーを活用する新しい枠組みを導入する。 このフレームワークには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相互作用グラフのメタノードとしてドラッグとターゲットの分子構造のグラフを表現し、複雑な関係の詳細な探索を可能にする。 提案モデルを評価するため,薬物SMILES,タンパク質配列,および相互作用データからなる特別なベンチマークを作成した。 実験結果から,GiGモデルは,学習パラダイムとインタラクションデータの統合によるメリットを強調し,すべての評価指標において既存手法を著しく上回っていることが示された。

関連論文リスト

• Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations [3.6099926707292793]
  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。
  論文  参考訳（メタデータ） (2025-07-12T07:43:19Z)
• SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification [6.776003706755337]
  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。
  論文  参考訳（メタデータ） (2025-06-02T08:00:24Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• MKDTI: Predicting drug-target interactions via multiple kernel fusion on graph attention network [37.40418564922425]
  グラフアテンションネットワークの様々な層埋め込みからカーネル情報を抽出することにより、MKDTIと呼ばれるモデルを定式化する。 我々は、Dual Laplacian Regularized Least Squaresフレームワークを使用して、新規なドラッグターゲットエンティティ接続を予測する。
  論文  参考訳（メタデータ） (2024-07-14T02:53:25Z)
• 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)
• 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)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• 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)
• Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
  DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。 実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-10T07:06:36Z)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions [70.9481395807354]
  本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。 GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-05-12T03:46:15Z)

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。