論文の概要: PGCLODA: Prompt-Guided Graph Contrastive Learning for Oligopeptide-Infectious Disease Association Prediction

• arxiv url: http://arxiv.org/abs/2509.20290v1
• Date: Wed, 24 Sep 2025 16:25:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.903203
• Title: PGCLODA: Prompt-Guided Graph Contrastive Learning for Oligopeptide-Infectious Disease Association Prediction
• Title（参考訳）: PGCLODA:オリゴペプチド感染性疾患関連予測のためのプロンプトガイドグラフコントラスト学習
• Authors: Dayu Tan, Jing Chen, Xiaoping Zhou, Yansen Su, Chunhou Zheng,
• Abstract要約: 感染性疾患は公衆衛生に深刻な脅威を与え続けており、効果的な計算アプローチに対する緊急の必要性を浮き彫りにしている。 本研究では,グラフに基づくコントラスト学習フレームワーク(PGODA)を導入し,潜在的な関連を明らかにする。 ケーススタディは、PGODAの能力と、新規で生物学的に関連する関連性を明らかにする可能性をさらに検証する。
• 参考スコア（独自算出の注目度）: 11.867921399312701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infectious diseases continue to pose a serious threat to public health, underscoring the urgent need for effective computational approaches to screen novel anti-infective agents. Oligopeptides have emerged as promising candidates in antimicrobial research due to their structural simplicity, high bioavailability, and low susceptibility to resistance. Despite their potential, computational models specifically designed to predict associations between oligopeptides and infectious diseases remain scarce. This study introduces a prompt-guided graph-based contrastive learning framework (PGCLODA) to uncover potential associations. A tripartite graph is constructed with oligopeptides, microbes, and diseases as nodes, incorporating both structural and semantic information. To preserve critical regions during contrastive learning, a prompt-guided graph augmentation strategy is employed to generate meaningful paired views. A dual encoder architecture, integrating Graph Convolutional Network (GCN) and Transformer, is used to jointly capture local and global features. The fused embeddings are subsequently input into a multilayer perceptron (MLP) classifier for final prediction. Experimental results on a benchmark dataset indicate that PGCLODA consistently outperforms state-of-the-art models in AUROC, AUPRC, and accuracy. Ablation and hyperparameter studies confirm the contribution of each module. Case studies further validate the generalization ability of PGCLODA and its potential to uncover novel, biologically relevant associations. These findings offer valuable insights for mechanism-driven discovery and oligopeptide-based drug development. The source code of PGCLODA is available online at https://github.com/jjnlcode/PGCLODA.
• Abstract（参考訳）: 感染性疾患は公衆衛生に深刻な脅威を与え続けており、新規な感染防止剤をスクリーニングするための効果的な計算アプローチが緊急に必要であることを示している。 オリゴペプチドは、構造的単純性、高い生体利用性、抵抗性への感受性の低いため、抗菌研究において有望な候補として出現している。 その可能性にもかかわらず、オリゴペプチドと感染症の関連を予測するために特別に設計された計算モデルは乏しいままである。 本研究では,グラフに基づくコントラスト学習フレームワーク(PGCLODA)を提案する。 三部体グラフはオリゴペプチド、微生物、病気をノードとして構成され、構造情報と意味情報の両方を取り入れている。 コントラスト学習において重要な領域を保存するために,有意義なペアビューを生成するために,プロンプト誘導グラフ拡張戦略を用いる。 Graph Convolutional Network(GCN)とTransformerを統合したデュアルエンコーダアーキテクチャは、ローカルとグローバルの機能を共同でキャプチャするために使用される。 その後、融合埋め込みは最終予測のために多層パーセプトロン(MLP)分類器に入力される。 ベンチマークデータセットの実験結果から,PGCLODAはAUROC,AUPRC,精度において,最先端モデルよりも一貫して優れていたことが示唆された。 アブレーションとハイパーパラメーターの研究は各モジュールの寄与を確認している。 ケーススタディは、PGCLODAの一般化能力と、新規で生物学的に関連する関連性を明らかにする可能性をさらに検証する。 これらの発見は、メカニズム駆動の発見とオリゴペプチドに基づく薬物開発に関する貴重な知見を提供する。 PGCLODAのソースコードはhttps://github.com/jjnlcode/PGCLODAで公開されている。

関連論文リスト

• 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)
• Node2Vec-DGI-EL: A Hierarchical Graph Representation Learning Model for Ingredient-Disease Association Prediction [8.749982610059874]
  本研究では,階層グラフ表現学習に基づく成分放出関連予測モデル(Node2Vec-DGI-EL)を提案する。 予測精度とロバスト性を向上させるため、より正確な成分放出関連予測を実現するためにアンサンブル学習法が組み込まれている。
  論文  参考訳（メタデータ） (2025-05-01T01:06:05Z)
• 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)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• Interpreting the Mechanism of Synergism for Drug Combinations Using Attention-Based Hierarchical Graph Pooling [10.898133007285638]
  我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。 提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
  論文  参考訳（メタデータ） (2022-09-19T11:18:45Z)
• AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands [9.135203550164833]
  現状のモデルは、新しい構造への一般化に失敗することを示す。 ネットワークベースのサンプリング戦略と教師なし事前トレーニングを組み合わせたパイプラインであるAI-Bindを紹介する。 我々は,SARS-CoV-2ウイルスタンパク質に結合した薬剤や天然化合物を予測し,AI-Bindの価値を説明する。
  論文  参考訳（メタデータ） (2021-12-25T01:52:58Z)
• 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。