論文の概要: Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery

• arxiv url: http://arxiv.org/abs/2509.14788v1
• Date: Thu, 18 Sep 2025 09:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.150378
• Title: Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery
• Title（参考訳）: 薬物発見のための細粒結合表現を用いた構造認識コントラスト学習
• Authors: Jing Lan, Hexiao Ding, Hongzhao Chen, Yufeng Jiang, Nga-Chun Ng, Gwing Kei Yip, Gerald W. Y. Cheng, Yunlin Mao, Jing Cai, Liang-ting Lin, Jung Sun Yoo,
• Abstract要約: この研究は、構造的先駆体をタンパク質表現に統合する配列に基づく薬物-標的相互作用フレームワークを導入する。 このモデルはHumanおよびBioSNAPデータセットの最先端のパフォーマンスを実現し、BindingDBと競合する。
• 参考スコア（独自算出の注目度）: 3.1716746406651457
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate identification of drug-target interactions (DTI) remains a central challenge in computational pharmacology, where sequence-based methods offer scalability. This work introduces a sequence-based drug-target interaction framework that integrates structural priors into protein representations while maintaining high-throughput screening capability. Evaluated across multiple benchmarks, the model achieves state-of-the-art performance on Human and BioSNAP datasets and remains competitive on BindingDB. In virtual screening tasks, it surpasses prior methods on LIT-PCBA, yielding substantial gains in AUROC and BEDROC. Ablation studies confirm the critical role of learned aggregation, bilinear attention, and contrastive alignment in enhancing predictive robustness. Embedding visualizations reveal improved spatial correspondence with known binding pockets and highlight interpretable attention patterns over ligand-residue contacts. These results validate the framework's utility for scalable and structure-aware DTI prediction.
• Abstract（参考訳）: 薬物-標的相互作用の正確な同定(DTI)は、シークエンスベースの手法がスケーラビリティを提供する計算薬理学において、依然として中心的な課題である。 この研究は、高スループットスクリーニング機能を維持しつつ、構造的先行をタンパク質表現に統合するシーケンスベースの薬物-標的相互作用フレームワークを導入する。 複数のベンチマークで評価されたこのモデルは、HumanとBioSNAPデータセットの最先端のパフォーマンスを達成し、BindingDBと競合し続ける。 仮想スクリーニングタスクでは、LIT-PCBAの従来の手法を上回り、AUROCとBEDROCでかなりの利益を得ている。 アブレーション研究は、学習集約、二線的注意、および予測ロバスト性を高めるためのコントラスト的アライメントの重要な役割を裏付けている。 埋め込み可視化では、既知の結合ポケットとの空間的対応が向上し、リガンド残像接触に対する解釈可能な注意パターンが強調される。 これらの結果は、スケーラブルで構造を意識したDTI予測のためのフレームワークの有用性を検証する。

関連論文リスト

• A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
  グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。 マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
  論文  参考訳（メタデータ） (2025-09-15T14:06:39Z)
• 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)
• Attention-based Generative Latent Replay: A Continual Learning Approach for WSI Analysis [3.6630930118966814]
  全体スライド画像(WSI)分類は、計算病理学において強力なツールとして登場したが、ドメインシフトによって制約されている。 本稿では,Attention-based Generative Latent Replay Continual Learning framework (AGLR-CL) を提案する。
  論文  参考訳（メタデータ） (2025-05-13T12:55:46Z)
• Multi-Modality Representation Learning for Antibody-Antigen Interactions Prediction [6.681379194115459]
  グラフアテンションネットワークを利用してグラフレベルの構造特徴を照らし、正規化適応グラフ畳み込みネットワークを用いて抗体間の配列関係を捕捉するAAI予測フレームワークであるMuLAAIPを提案する。 以上の結果から, MuLAAIP は現在の最先端手法よりも予測性能に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-03-22T06:23:51Z)
• SCOPE-DTI: Semi-Inductive Dataset Construction and Framework Optimization for Practical Usability Enhancement in Deep Learning-Based Drug Target Interaction Prediction [15.996998422919111]
  SCOPE-DTIは、大規模でバランスの取れたセミインダクティブなDTIデータセットと高度なディープラーニングモデリングを組み合わせた統合フレームワークである。 SCOPEデータセットは、Humanデータセットのような一般的なベンチマークと比較して、データボリュームを最大100倍に拡張する。 包括的なデータ、高度なモデリング、およびアクセス可能なツールを提供することで、SCOPE-DTIは薬物発見の研究を加速する。
  論文  参考訳（メタデータ） (2025-03-12T10:46:25Z)
• 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)
• ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections [0.0]
  本稿では,DT結合親和性を予測するための深層学習手法を提案する。 提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
  論文  参考訳（メタデータ） (2023-03-20T20:27:11Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• 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)

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。