論文の概要: Learning to Align Molecules and Proteins: A Geometry-Aware Approach to Binding Affinity

• arxiv url: http://arxiv.org/abs/2509.20693v1
• Date: Thu, 25 Sep 2025 02:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.670323
• Title: Learning to Align Molecules and Proteins: A Geometry-Aware Approach to Binding Affinity
• Title（参考訳）: 配位分子とタンパク質の学習 : 結合親和性に対する幾何学的アプローチ
• Authors: Mohammadsaleh Refahi, Bahrad A. Sokhansanj, James R. Brown, Gail Rosen,
• Abstract要約: FIRM-DTIは、機能的に線形な変調層を通じてタンパク質の埋め込みに分子の埋め込みを調節する軽量なフレームワークである。 埋め込み距離で動作するRBF回帰ヘッドは、滑らかで解釈可能な親和性予測をもたらす。 本研究は,ロバストな薬物親和性予測のための条件付けとメートル法学習の価値を裏付けるものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of drug-target binding affinity can accelerate drug discovery by prioritizing promising compounds before costly wet-lab screening. While deep learning has advanced this task, most models fuse ligand and protein representations via simple concatenation and lack explicit geometric regularization, resulting in poor generalization across chemical space and time. We introduce FIRM-DTI, a lightweight framework that conditions molecular embeddings on protein embeddings through a feature-wise linear modulation (FiLM) layer and enforces metric structure with a triplet loss. An RBF regression head operating on embedding distances yields smooth, interpretable affinity predictions. Despite its modest size, FIRM-DTI achieves state-of-the-art performance on the Therapeutics Data Commons DTI-DG benchmark, as demonstrated by an extensive ablation study and out-of-domain evaluation. Our results underscore the value of conditioning and metric learning for robust drug-target affinity prediction.
• Abstract（参考訳）: 薬物標的結合親和性の正確な予測は、高価なウェットラブスクリーニングの前に有望な化合物を優先順位付けすることで、薬物発見を促進することができる。 深層学習はこの課題を推し進めてきたが、ほとんどのモデルは単純な結合を通してリガンドとタンパク質の表現を融合させ、明示的な幾何学的正規化を欠いているため、化学空間と時間にわたっての一般化は不十分である。 FIRM-DTIは, タンパク質への分子埋め込みを, 機能ワイド線形変調(FiLM)層を通じて制御し, 三重項損失を伴うメートル法構造を強制する軽量なフレームワークである。 埋め込み距離で動作するRBF回帰ヘッドは、滑らかで解釈可能な親和性予測をもたらす。 FIRM-DTIは、その質素なサイズにもかかわらず、広範囲にわたるアブレーション研究とドメイン外評価によって示されるように、Therapeutics Data Commons DTI-DGベンチマークで最先端のパフォーマンスを達成している。 本研究は,ロバストな薬物親和性予測のための条件付けとメートル法学習の価値を裏付けるものである。

関連論文リスト

• Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery [3.1716746406651457]
  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。
  論文  参考訳（メタデータ） (2025-09-18T09:38:46Z)
• 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)
• MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
  マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。 MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
  論文  参考訳（メタデータ） (2024-11-23T05:38:36Z)
• 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)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• 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)
• 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。