論文の概要: ImageDDI: Image-enhanced Molecular Motif Sequence Representation for Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2508.08338v1
• Date: Mon, 11 Aug 2025 03:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.183064
• Title: ImageDDI: Image-enhanced Molecular Motif Sequence Representation for Drug-Drug Interaction Prediction
• Title（参考訳）: ImageDDI:ドラッグ・ドラッグ相互作用予測のための画像強調分子モチーフ配列表現
• Authors: Yuqin He, Tengfei Ma, Chaoyi Li, Pengsen Ma, Hongxin Xiang, Jianmin Wang, Yiping Liu, Bosheng Song, Xiangxiang Zeng,
• Abstract要約: 我々は、画像DDIと呼ばれるtextbfDDI予測のための画像強調分子モチーフ配列表現フレームワークを提案する。 薬物対の関連性を活用することにより、ImageDDIはグローバルな分子画像情報を用いて分子の空間的表現をさらに強化する。 広く使われているデータセットの実験結果は、ImageDDIが最先端の手法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 24.720227738434815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To mitigate the potential adverse health effects of simultaneous multi-drug use, including unexpected side effects and interactions, accurately identifying and predicting drug-drug interactions (DDIs) is considered a crucial task in the field of deep learning. Although existing methods have demonstrated promising performance, they suffer from the bottleneck of limited functional motif-based representation learning, as DDIs are fundamentally caused by motif interactions rather than the overall drug structures. In this paper, we propose an Image-enhanced molecular motif sequence representation framework for \textbf{DDI} prediction, called ImageDDI, which represents a pair of drugs from both global and local structures. Specifically, ImageDDI tokenizes molecules into functional motifs. To effectively represent a drug pair, their motifs are combined into a single sequence and embedded using a transformer-based encoder, starting from the local structure representation. By leveraging the associations between drug pairs, ImageDDI further enhances the spatial representation of molecules using global molecular image information (e.g. texture, shadow, color, and planar spatial relationships). To integrate molecular visual information into functional motif sequence, ImageDDI employs Adaptive Feature Fusion, enhancing the generalization of ImageDDI by dynamically adapting the fusion process of feature representations. Experimental results on widely used datasets demonstrate that ImageDDI outperforms state-of-the-art methods. Moreover, extensive experiments show that ImageDDI achieved competitive performance in both 2D and 3D image-enhanced scenarios compared to other models.
• Abstract（参考訳）: 予期せぬ副作用や相互作用を含む同時多剤使用による潜在的な有害な健康効果を軽減するため、薬物と薬物の相互作用(DDI)を正確に識別・予測することは、ディープラーニング分野において重要な課題であると考えられている。 既存の手法は有望な性能を示したが、DDIは薬物構造全体ではなくモチーフ相互作用によって基本的に引き起こされるため、機能モチーフに基づく表現学習のボトルネックに悩まされている。 本稿では,大域的および局所的両方の薬物の対を表現した画像DDI(Imagebf{DDI} prediction)のための画像強調分子モチーフ配列表現フレームワークを提案する。 具体的には、ImageDDIは分子を機能モチーフにトークン化する。 薬物対を効果的に表現するために、それらのモチーフを単一の配列に結合し、局所構造表現から始まるトランスフォーマーベースのエンコーダを用いて埋め込む。 薬物対の関連を利用して、ImageDDIはグローバルな分子画像情報(例えば、テクスチャ、影、色、平面空間関係)を用いて分子の空間的表現を強化する。 分子視覚情報を機能的モチーフシーケンスに統合するために、ImageDDIはAdaptive Feature Fusionを採用し、特徴表現の融合過程を動的に適応させることで、ImageDDIの一般化を強化する。 広く使われているデータセットの実験結果は、ImageDDIが最先端の手法より優れていることを示している。 さらに、画像DDIは、他のモデルと比較して、2次元および3次元画像強調シナリオにおいて競合性能を達成した。

関連論文リスト

• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
  薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。 一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2024-08-27T17:13:56Z)
• HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction [15.005837084219355]
  階層型グラフ表現学習に基づくDTI予測法(HiGraphDTI)を提案する。 具体的には、HiGraphDTIは三重レベル分子グラフから階層的な薬物表現を学び、原子、モチーフ、分子に埋め込まれた化学情報を徹底的に活用する。 注目特徴融合モジュールは、異なる受容領域からの情報を組み込んで表現対象特徴を抽出する。
  論文  参考訳（メタデータ） (2024-04-16T13:35:24Z)
• CADGL: Context-Aware Deep Graph Learning for Predicting Drug-Drug Interactions [5.648318448953635]
  薬物・薬物相互作用(DDIs)は、薬物開発における重要な要素である。 我々は,CADGLという新しいフレームワークを導入することで,文脈認識深層グラフ学習の有効性を活用することで,課題に対処することを目指している。 カスタマイズされた変分グラフオートエンコーダ (VGAE) に基づいて, 重要な構造および物理化学的情報を取得する。 我々は厳格なケーススタディで支援された,臨床的に価値のある新規DDIの予測に長けている。
  論文  参考訳（メタデータ） (2024-03-25T21:37:31Z)
• Beyond Surface Statistics: Scene Representations in a Latent Diffusion Model [52.634378583311054]
  潜在拡散モデル(LDM)は現実的な画像を生成するが、これらのモデルの内部構造は謎のままである。 本研究では, LDMは単純なシーン幾何学の内部表現を作成し, 利用するのかという, 基本的な解釈可能性の問題について考察する。 線形プローブを用いて,LDMの内部活性化が3次元深度データの線形表現と,有向物体/背景像の線形表現を符号化していることを示す。
  論文  参考訳（メタデータ） (2023-06-09T07:34:34Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。