論文の概要: Interaction Concordance Index: Performance Evaluation for Interaction Prediction Methods

• arxiv url: http://arxiv.org/abs/2510.14419v1
• Date: Thu, 16 Oct 2025 08:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.776336
• Title: Interaction Concordance Index: Performance Evaluation for Interaction Prediction Methods
• Title（参考訳）: 相互作用一致指数:相互作用予測手法の性能評価
• Authors: Tapio Pahikkala, Riikka Numminen, Parisa Movahedi, Napsu Karmitsa, Antti Airola,
• Abstract要約: 固定予測アルゴリズムと機械学習アルゴリズムの両方に対して,対話方向の予測性能推定器(IC-index)を導入する。 IC-indexは、データ中の相互作用効果の正確な予測方向の比率を評価することで、一般的なDTA予測性能推定器を補完する。 我々は,様々な最先端機械学習アルゴリズムを用いたバイオメディカル相互作用データセットの総合的評価を行う。
• 参考スコア（独自算出の注目度）: 0.7176906280023595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consider two sets of entities and their members' mutual affinity values, say drug-target affinities (DTA). Drugs and targets are said to interact in their effects on DTAs if drug's effect on it depends on the target. Presence of interaction implies that assigning a drug to a target and another drug to another target does not provide the same aggregate DTA as the reversed assignment would provide. Accordingly, correctly capturing interactions enables better decision-making, for example, in allocation of limited numbers of drug doses to their best matching targets. Learning to predict DTAs is popularly done from either solely from known DTAs or together with side information on the entities, such as chemical structures of drugs and targets. In this paper, we introduce interaction directions' prediction performance estimator we call interaction concordance index (IC-index), for both fixed predictors and machine learning algorithms aimed for inferring them. IC-index complements the popularly used DTA prediction performance estimators by evaluating the ratio of correctly predicted directions of interaction effects in data. First, we show the invariance of IC-index on predictors unable to capture interactions. Secondly, we show that learning algorithm's permutation equivariance regarding drug and target identities implies its inability to capture interactions when either drug, target or both are unseen during training. In practical applications, this equivariance is remedied via incorporation of appropriate side information on drugs and targets. We make a comprehensive empirical evaluation over several biomedical interaction data sets with various state-of-the-art machine learning algorithms. The experiments demonstrate how different types of affinity strength prediction methods perform in terms of IC-index complementing existing prediction performance estimators.
• Abstract（参考訳）: 2つの実体とそのメンバーの相互親和性(英語版)値(英語版)(DTA)を考える。 薬物や標的は、薬物の影響が標的に依存する場合、DTAに対する効果と相互作用すると言われている。 相互作用の存在は、ある薬物を標的に割り当て、別の薬物を他の標的に割り当てることが、逆の割り当てと同じ集合DTAを提供しないことを意味する。 したがって、相互作用を正しくキャプチャすることで、例えば、最適なターゲットに限られた量の薬物を割り当てることにおいて、より良い意思決定が可能になる。 DTAの予測の学習は、既知のDTAからのみ行われるか、薬物や標的の化学構造などのエンティティのサイド情報と共に行われることが一般的である。 本稿では,対話方向の予測性能をIC-index(Interaction Concordance Index)と呼び,その推定を目的とした予測アルゴリズムと機械学習アルゴリズムの両方について紹介する。 IC-indexは、データ中の相互作用効果の正確な予測方向の比率を評価することで、一般的なDTA予測性能推定器を補完する。 まず,対話を捉えることができない予測器上でのIC-インデックスの不変性を示す。 第2に、学習アルゴリズムの薬物と標的の同一性に関する置換同値が、訓練中に薬物、標的、および両方が見えない場合に相互作用を捉えることができないことを示す。 現実的な応用では、薬物や標的に関する適切なサイド情報を組み込むことによって、この均衡を是正する。 我々は,様々な最先端機械学習アルゴリズムを用いたバイオメディカル相互作用データセットの総合的評価を行う。 実験では,既存予測性能推定器を補完するIC-indexを用いて,様々なアフィニティ強度予測手法の動作を実証した。

関連論文リスト

• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• 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)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Interpretable bilinear attention network with domain adaptation improves drug-target prediction [4.15790071124993]
  DrugBANは、薬物と標的の間のペアワイドな局所的な相互作用を学ぶためのドメイン適応を備えたディープバイラインアテンションネットワークフレームワークである。 DrugBANは、予測を行うために、薬物分子グラフと標的タンパク質配列に取り組んでいる。 3つのベンチマークデータセットの実験から、DragonBANは5つの最先端ベースラインに対して、最高の全体的なパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2022-08-03T16:27:29Z)
• 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)
• An Interpretable Framework for Drug-Target Interaction with Gated Cross Attention [4.746451824931381]
  本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。 我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。 実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-09-17T05:53:40Z)
• Optimizing Area Under the Curve Measures via Matrix Factorization for Drug-Target Interaction Prediction [7.385579678137434]
  本稿では,高精度リコール曲線(AUPR)と受信動作特性曲線(AUC)の領域を最適化する2つの行列分解法を提案する。 4つの最新のベンチマークデータセットに対する実験結果は、最適化された評価基準の点から提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-05-01T14:48:32Z)
• Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest Neighbors with Interaction Recovery [5.8683934849211745]
  薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。 既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。 現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。 WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-22T19:54:18Z)
• DTI-SNNFRA: Drug-Target interaction prediction by shared nearest neighbors and fuzzy-rough approximation [0.0]
  DTI-SNNFRA(DTI-SNNFRA)を提案する。 ROC-AUCの予測スコアは0.95と非常に良好である。
  論文  参考訳（メタデータ） (2020-09-22T19:10:10Z)

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。