論文の概要: GRAM-TDI: adaptive multimodal representation learning for drug target interaction prediction

• arxiv url: http://arxiv.org/abs/2509.21971v1
• Date: Fri, 26 Sep 2025 06:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.249645
• Title: GRAM-TDI: adaptive multimodal representation learning for drug target interaction prediction
• Title（参考訳）: GRAM-TDI:ドラッグターゲット相互作用予測のための適応型マルチモーダル表現学習
• Authors: Feng Jiang, Amina Mollaysa, Hehuan Ma, Tommaso Mansi, Junzhou Huang, Mangal Prakash, Rui Liao,
• Abstract要約: GRAMDTIは、マルチモーダル分子とタンパク質の入力を統一表現に統合する事前学習フレームワークである。 GRAMDTIは、ボリュームベースのコントラスト学習を4つのモードに拡張し、高次のセマンティックアライメントをキャプチャする。 本結果は,高次マルチモーダルアライメント,適応的モダリティ利用,堅牢かつ一般化可能なDTI予測のための補助的監視の利点を強調した。
• 参考スコア（独自算出の注目度）: 25.25496268607753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug target interaction (DTI) prediction is a cornerstone of computational drug discovery, enabling rational design, repurposing, and mechanistic insights. While deep learning has advanced DTI modeling, existing approaches primarily rely on SMILES protein pairs and fail to exploit the rich multimodal information available for small molecules and proteins. We introduce GRAMDTI, a pretraining framework that integrates multimodal molecular and protein inputs into unified representations. GRAMDTI extends volume based contrastive learning to four modalities, capturing higher-order semantic alignment beyond conventional pairwise approaches. To handle modality informativeness, we propose adaptive modality dropout, dynamically regulating each modality's contribution during pre-training. Additionally, IC50 activity measurements, when available, are incorporated as weak supervision to ground representations in biologically meaningful interaction strengths. Experiments on four publicly available datasets demonstrate that GRAMDTI consistently outperforms state of the art baselines. Our results highlight the benefits of higher order multimodal alignment, adaptive modality utilization, and auxiliary supervision for robust and generalizable DTI prediction.
• Abstract（参考訳）: 薬物標的相互作用(DTI)予測は、合理的な設計、再資源化、機械的洞察を可能にする計算的薬物発見の基盤である。 ディープラーニングには高度なDTIモデリングがあるが、既存のアプローチは主にSMILESタンパク質ペアに依存しており、小さな分子やタンパク質で利用可能な豊富なマルチモーダル情報を利用することができない。 本稿では,マルチモーダル分子とタンパク質の入力を統一表現に統合する事前学習フレームワークであるGRAMDTIを紹介する。 GRAMDTIは、ボリュームベースのコントラスト学習を4つのモードに拡張し、従来のペアワイズアプローチ以上の高次のセマンティックアライメントをキャプチャする。 モーダリティ情報性に対処するため,事前学習中のモーダリティの寄与を動的に制御する適応型モーダリティドロップアウトを提案する。 さらに、IC50の活性測定は、利用可能な場合、生物学的に有意義な相互作用強度の基底表現に対する弱い監督として組み込まれている。 4つの公開データセットの実験は、GRAMDTIが一貫して最先端のベースラインを上回っていることを示している。 本結果は,高次マルチモーダルアライメント,適応的モダリティ利用,堅牢かつ一般化可能なDTI予測のための補助的監視の利点を強調した。

関連論文リスト

• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• 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)
• 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)
• When Parameter-efficient Tuning Meets General-purpose Vision-language Models [65.19127815275307]
  PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。 実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T17:13:08Z)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• 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)
• Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization [16.41618129467975]
  我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。 複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。 このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
  論文  参考訳（メタデータ） (2022-01-24T08:02:05Z)
• Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
  DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。 実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-10T07:06:36Z)

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。