Fugu-MT 論文翻訳(概要): A Survey of Graph Neural Networks for Drug Discovery: Recent Developments and Challenges

論文の概要: A Survey of Graph Neural Networks for Drug Discovery: Recent Developments and Challenges

arxiv url: http://arxiv.org/abs/2509.07887v1
Date: Tue, 09 Sep 2025 16:09:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-10 14:38:27.394054
Title: A Survey of Graph Neural Networks for Drug Discovery: Recent Developments and Challenges
Title（参考訳）: 薬物発見のためのグラフニューラルネットワークの最近の展開と課題
Authors: Katherine Berry, Liang Cheng,
Abstract要約: グラフニューラルネットワーク(GNN)は、薬物発見の複雑な領域で注目を集めている。本論文は分子特性予測という最近の論文で包括的に研究カテゴリについて述べる。薬物発見のためのGNNに関する今後の研究のためのガイダンスを提供する。
参考スコア（独自算出の注目度）: 0.9613795810016817
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph Neural Networks (GNNs) have gained traction in the complex domain of drug discovery because of their ability to process graph-structured data such as drug molecule models. This approach has resulted in a myriad of methods and models in published literature across several categories of drug discovery research. This paper covers the research categories comprehensively with recent papers, namely molecular property prediction, including drug-target binding affinity prediction, drug-drug interaction study, microbiome interaction prediction, drug repositioning, retrosynthesis, and new drug design, and provides guidance for future work on GNNs for drug discovery.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、薬物分子モデルのようなグラフ構造化データを処理できるため、薬物発見の複雑な領域で注目を集めている。このアプローチは、薬物発見研究のいくつかのカテゴリにまたがる論文の中で、無数の方法とモデルを生み出している。本稿では,分子特性予測,薬物-標的結合親和性予測,薬物-薬物相互作用研究,マイクロバイオーム相互作用予測,薬物再配置,レトロ合成,新医薬品設計など,最近の論文を包括的に取り上げ,薬物発見のためのGNNの今後の研究の指針を提供する。

関連論文リスト

Recent Developments in GNNs for Drug Discovery [12.589902420928789]
計算薬物発見におけるグラフニューラルネットワーク(GNN)の最近の展開と役割を概観する。この領域の最近の展開を要約することで、GNNが複雑な分子パターンを理解する能力を強調します。本稿は、この重要な研究領域における、簡単な議論と共通する傾向をまとめてまとめてまとめる。
論文参考訳（メタデータ） (2025-06-02T04:24:05Z)
Graph-structured Small Molecule Drug Discovery Through Deep Learning: Progress, Challenges, and Opportunities [37.84367643280023]
小分子の薬物は様々な疾患の治療に広く用いられており、薬物発見の重要な要素となっている。深層学習(DL)技術は予測精度、速度、複雑な分子関係において優れた性能を発揮する。本稿では, グラフ構造小分子創薬における最近の重要な課題と代表的手法を体系的に要約し, 一般化する。
論文参考訳（メタデータ） (2025-02-13T05:24:52Z)
GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
論文参考訳（メタデータ） (2024-11-03T03:17:09Z)
A deep graph model for the signed interaction prediction in biological network [1.03121181235382]
生物学的ネットワークにおける署名された相互作用の予測は、薬物のメカニズムを理解し、薬物の再利用を促進するために重要である。 textbfRGCNTDは、極性(活性化、阻害など)と非極性(結合、影響など)の両方を予測できるように設計されている。我々は,新たな評価指標である textitAUCtextsubscriptpolarity と textitCP@500 を導入し,相互作用型を識別するモデルの能力を評価する。
論文参考訳（メタデータ） (2024-07-10T04:28:21Z)
Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文参考訳（メタデータ） (2023-11-15T06:34:00Z)
SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文参考訳（メタデータ） (2023-06-19T17:03:46Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文参考訳（メタデータ） (2022-11-30T10:12:41Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Molecule Generation for Drug Design: a Graph Learning Perspective [49.8071944694075]
機械学習、特にグラフ学習は、さまざまな分野にまたがるトランスフォーメーションの影響で認知度が高まっている。そのような有望な応用の1つは分子設計と発見の領域、特に製薬業界における。本調査では,分子設計における最先端手法,特に深度グラフ学習技術を取り入れたEmphde novo薬物設計について概観する。
論文参考訳（メタデータ） (2022-02-18T14:26:23Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。