論文の概要: LINKER: Learning Interactions Between Functional Groups and Residues With Chemical Knowledge-Enhanced Reasoning and Explainability

• arxiv url: http://arxiv.org/abs/2509.03425v1
• Date: Wed, 03 Sep 2025 15:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.582828
• Title: LINKER: Learning Interactions Between Functional Groups and Residues With Chemical Knowledge-Enhanced Reasoning and Explainability
• Title（参考訳）: LINKER:化学知識強化推論と説明可能性による官能集団と住民の相互作用の学習
• Authors: Phuc Pham, Viet Thanh Duy Nguyen, Truong-Son Hy,
• Abstract要約: 生物学的に定義された相互作用型の観点から残基の相互作用を予測する最初のシーケンスベースモデルであるLINKERを紹介する。 リンカーは3Dタンパク質-リガンド複合体から相互作用ラベルが誘導される構造制御された注意で訓練される。 推論時にのみシーケンスレベルの入力が必要であり、構造データが利用できない設定で大規模アプリケーションを可能にする。
• 参考スコア（独自算出の注目度）: 6.086602240954416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate identification of interactions between protein residues and ligand functional groups is essential to understand molecular recognition and guide rational drug design. Existing deep learning approaches for protein-ligand interpretability often rely on 3D structural input or use distance-based contact labels, limiting both their applicability and biological relevance. We introduce LINKER, the first sequence-based model to predict residue-functional group interactions in terms of biologically defined interaction types, using only protein sequences and the ligand SMILES as input. LINKER is trained with structure-supervised attention, where interaction labels are derived from 3D protein-ligand complexes via functional group-based motif extraction. By abstracting ligand structures into functional groups, the model focuses on chemically meaningful substructures while predicting interaction types rather than mere spatial proximity. Crucially, LINKER requires only sequence-level input at inference time, enabling large-scale application in settings where structural data is unavailable. Experiments on the LP-PDBBind benchmark demonstrate that structure-informed supervision over functional group abstractions yields interaction predictions closely aligned with ground-truth biochemical annotations.
• Abstract（参考訳）: タンパク質残基とリガンド官能基との相互作用の正確な同定は、分子認識を理解し、合理的な薬物設計を導くために不可欠である。 タンパク質-リガンドの解釈性に関する既存のディープラーニングアプローチは、しばしば3次元構造的入力や距離ベースの接触ラベルに依存し、それらの適用性と生物学的関連性の両方を制限する。 我々は、タンパク質配列とリガンドSMILESのみを入力として、生物学的に定義された相互作用型の観点から残基間の相互作用を予測する最初のシーケンスベースモデルLINKERを紹介する。 LINKERは3次元タンパク質-リガンド複合体から機能基に基づくモチーフ抽出を通じて相互作用ラベルを導出する構造制御された注意で訓練されている。 リガンド構造を機能群に抽象化することにより、モデルは単なる空間的近接ではなく相互作用のタイプを予測しながら化学的に意味のある部分構造に焦点をあてる。 重要なことは、LINKERは推論時にのみシーケンスレベルの入力を必要とするため、構造データが利用できない設定での大規模アプリケーションを可能にする。 LP-PDBBindベンチマークの実験では、官能基抽象化による構造インフォームド・インフォメーションが、基底構造生化学アノテーションと密に整合した相互作用予測をもたらすことが示されている。

関連論文リスト

• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [80.08310253195144]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Hierarchical Multi-Label Contrastive Learning for Protein-Protein Interaction Prediction Across Organisms [2.399426243085768]
  タンパク質間相互作用予測のための階層的コントラストフレームワークであるHIPPOを提案する。 提案手法は、タンパク質の機能クラス間の構造的関係をエミュレートする階層的コントラスト損失関数を含む。 ベンチマークデータセットの実験では、HIPPOが最先端のパフォーマンスを達成し、既存のメソッドを上回り、低データのレシエーションにおいて堅牢性を示すことが示されている。
  論文  参考訳（メタデータ） (2025-07-03T15:41:04Z)
• 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)
• A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery [32.573496601865465]
  構造に基づく薬物発見(Structure-based drug discovery、SBDD)は、標的タンパク質の詳細な物理的構造を利用して新しい薬物を開発する体系的な科学的プロセスである。 生体分子の事前学習モデルの最近の進歩は、様々な生化学的応用において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2025-03-06T12:04:56Z)
• The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks [16.396309363020908]
  複雑なタンパク質-タンパク質相互作用(PPI)の正確な予測は、生物学的プロセスの復号に不可欠である。 署名されたPPIネットワークに対して,S2-SPM(Signed Two-Space Proximity Model)を提案する。 我々のアプローチは、極端なタンパク質プロファイルを表すアーチタイプを識別することを可能にする。
  論文  参考訳（メタデータ） (2025-03-05T21:08:58Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。