論文の概要: MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction

• arxiv url: http://arxiv.org/abs/2510.20448v1
• Date: Thu, 23 Oct 2025 11:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.829225
• Title: MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction
• Title（参考訳）: MolBridge:ロバストドラッグ・ドラッグ相互作用イベント予測のためのAtomレベルジョイントグラフリファインメント
• Authors: Xuan Lin, Aocheng Ding, Tengfei Ma, Hua Liang, Zhe Quan,
• Abstract要約: 薬物の組み合わせは治療効果を提供するが、有害薬物・薬物相互作用(DDI)のリスクも伴う 本研究は,薬物と薬物の相互作用ネットワークをマイニングし分析するグラフベースの手法を開発することにより,Web Mining and Content Analysisに寄与する。
• 参考スコア（独自算出の注目度）: 10.392084347375963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug combinations offer therapeutic benefits but also carry the risk of adverse drug-drug interactions (DDIs), especially under complex molecular structures. Accurate DDI event prediction requires capturing fine-grained inter-drug relationships, which are critical for modeling metabolic mechanisms such as enzyme-mediated competition. However, existing approaches typically rely on isolated drug representations and fail to explicitly model atom-level cross-molecular interactions, limiting their effectiveness across diverse molecular complexities and DDI type distributions. To address these limitations, we propose MolBridge, a novel atom-level joint graph refinement framework for robust DDI event prediction. MolBridge constructs a joint graph that integrates atomic structures of drug pairs, enabling direct modeling of inter-drug associations. A central challenge in such joint graph settings is the potential loss of information caused by over-smoothing when modeling long-range atomic dependencies. To overcome this, we introduce a structure consistency module that iteratively refines node features while preserving the global structural context. This joint design allows MolBridge to effectively learn both local and global interaction outperforms state-of-the-art baselines, achieving superior performance across long-tail and inductive scenarios. patterns, yielding robust representations across both frequent and rare DDI types. Extensive experiments on two benchmark datasets show that MolBridge consistently. These results demonstrate the advantages of fine-grained graph refinement in improving the accuracy, robustness, and mechanistic interpretability of DDI event prediction.This work contributes to Web Mining and Content Analysis by developing graph-based methods for mining and analyzing drug-drug interaction networks.
• Abstract（参考訳）: 薬物の組み合わせは治療効果を提供するが、特に複雑な分子構造下では有害な薬物・薬物相互作用(DDI)のリスクも負う。 正確なDDIイベント予測には、酵素を介する競合のような代謝機構をモデル化するために重要な、詳細なドラッグ間関係の取得が必要である。 しかし、既存のアプローチは通常、孤立した薬物表現に依存しており、原子レベルの分子間相互作用を明示的にモデル化することができず、様々な分子複合体とDDI型の分布で有効性を制限している。 これらの制約に対処するため、我々は、堅牢なDDIイベント予測のための新しい原子レベルジョイントグラフ精錬フレームワークであるMolBridgeを提案する。 MolBridgeは、薬物対の原子構造を統合するジョイントグラフを構築し、ドラッグ間関連の直接モデリングを可能にする。 このようなジョイントグラフ設定における中心的な課題は、長距離の原子依存をモデル化する際の過度な平滑化によって引き起こされる情報の潜在的な損失である。 これを解決するために,グローバルな構造コンテキストを保ちながら,ノード機能を反復的に洗練する構造整合モジュールを導入する。 この共同設計により、MollBridgeはローカルとグローバルの両方のインタラクションが最先端のベースラインより優れていることを効果的に学び、ロングテールとインダクティブのシナリオで優れたパフォーマンスを実現することができる。 パターンは、頻繁なDDIタイプと稀なDDIタイプの両方に堅牢な表現をもたらす。 2つのベンチマークデータセットに対する大規模な実験は、MolBridgeが一貫したことを示している。 これらの結果は, DDIイベント予測の精度, 堅牢性, 機械的解釈性を向上させるためのグラフ微細化の利点を示し, 薬物・薬物相互作用ネットワークのマイニング・解析法を開発することにより, Web Mining and Content Analysisに寄与する。

関連論文リスト

• Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations [3.6099926707292793]
  薬物と薬物の相互作用(DDI)は、薬理学において重要な課題であり、しばしば患者の安全と医療結果に重大な影響を及ぼす有害な薬物反応を引き起こす。 我々は,分子と生物の知識を統合したグラフベースの新しいフレームワークであるMolecBioNetを提案し,ロバストで解釈可能なDDI予測を行う。
  論文  参考訳（メタデータ） (2025-07-12T07:43:19Z)
• Addressing Model Overcomplexity in Drug-Drug Interaction Prediction With Molecular Fingerprints [0.0]
  薬物と薬物の相互作用(DDI)の正確な予測は、医薬品研究と臨床安全性に不可欠である。 最近のディープラーニングモデルは、しばしば高い計算コストとデータセット間の限定的な一般化に悩まされる。 本研究では,Morgan fingerprints (S), graph-based embeddings from graph convolutional network (GCNs), transformer- derived embeddings from MoLFormer integrated into a straight neural network。
  論文  参考訳（メタデータ） (2025-03-30T18:27:01Z)
• DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning [15.69547371747469]
  DDIPromptは、グラフプロンプト学習の最近の進歩に触発された革新的なソリューションである。 我々のフレームワークは、事前訓練されたモデルから本質的な知識を活用することで、これらの問題に対処することを目的としている。 2つのベンチマークデータセットに対する大規模な実験は、DDIPromptのSOTAパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-18T06:22:01Z)
• 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)
• Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction [10.157966744159491]
  薬物の併用投与は薬物と薬物の相互作用(DDI)を引き起こす 薬物対の分子構造から潜在的DDIを効果的に予測する新しいモデルである分子サブストラクチャー・アウェア・ネットワーク(MSAN)を提案する。
  論文  参考訳（メタデータ） (2022-08-24T02:06:21Z)
• 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)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)

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。