Fugu-MT 論文翻訳(概要): HiF-DTA: Hierarchical Feature Learning Network for Drug-Target Affinity Prediction

論文の概要: HiF-DTA: Hierarchical Feature Learning Network for Drug-Target Affinity Prediction

arxiv url: http://arxiv.org/abs/2510.27281v1
Date: Fri, 31 Oct 2025 08:47:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-03 17:52:16.041038
Title: HiF-DTA: Hierarchical Feature Learning Network for Drug-Target Affinity Prediction
Title（参考訳）: HiF-DTA:ドラッグターゲット親和性予測のための階層的特徴学習ネットワーク
Authors: Minghui Li, Yuanhang Wang, Peijin Guo, Wei Wan, Shengshan Hu, Shengqing Hu,
Abstract要約: マルチスケールの薬品をモデル化し,マルチスケールのバイ線形アテンションモジュールを通じて融合した原子,サブ構造,分子表現を学習する階層型ネットワークであるHiF-DTAを提案する。 Davis、KIBA、Metzデータセットの実験では、HiF-DTAは最先端のベースラインよりも優れており、グローバルな局所抽出とマルチスケール融合の重要性が確認されている。
参考スコア（独自算出の注目度）: 26.44048308028745
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate prediction of Drug-Target Affinity (DTA) is crucial for reducing experimental costs and accelerating early screening in computational drug discovery. While sequence-based deep learning methods avoid reliance on costly 3D structures, they still overlook simultaneous modeling of global sequence semantic features and local topological structural features within drugs and proteins, and represent drugs as flat sequences without atomic-level, substructural-level, and molecular-level multi-scale features. We propose HiF-DTA, a hierarchical network that adopts a dual-pathway strategy to extract both global sequence semantic and local topological features from drug and protein sequences, and models drugs multi-scale to learn atomic, substructural, and molecular representations fused via a multi-scale bilinear attention module. Experiments on Davis, KIBA, and Metz datasets show HiF-DTA outperforms state-of-the-art baselines, with ablations confirming the importance of global-local extraction and multi-scale fusion.
Abstract（参考訳）: DTA(Darget Affinity)の正確な予測は、実験コストの削減と、計算薬物発見における早期スクリーニングの促進に不可欠である。シークエンスベースのディープラーニング手法は、コストのかかる3D構造に依存しないが、ドラッグやタンパク質のグローバルな配列のセマンティックな特徴と局所的なトポロジカルな構造的特徴を同時にモデル化し、原子レベル、サブ構造レベル、分子レベルのマルチスケールな特徴を伴わないフラットな配列としてドラッグを表現している。薬物およびタンパク質配列からグローバルな配列意味的特徴と局所的なトポロジ的特徴の両方を抽出するデュアルパス戦略を採用した階層型ネットワークHiF-DTAを提案する。 Davis、KIBA、Metzデータセットの実験では、HiF-DTAは最先端のベースラインよりも優れており、グローバルな局所抽出とマルチスケール融合の重要性が確認されている。

関連論文リスト

Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文参考訳（メタデータ） (2025-10-25T15:40:07Z)
Uni-NTFM: A Unified Foundation Model for EEG Signal Representation Learning [23.451954610423503]
我々はUnified Neural Topological Foundation Model (Uni-NTFM)を紹介する。 Uni-NTFMは神経科学の原理に基づいて設計され、普遍的で解釈可能な表現を生成する。最大のモデルであるUni-NTFM$_large$は記録破りの1.9Bパラメータを持ち、28,000時間以上の多様な脳波データを事前訓練した。
論文参考訳（メタデータ） (2025-09-29T03:03:32Z)
DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [66.41802970528133]
スペクトルからの分子構造解明は化学の基礎的な問題である。従来の手法は専門家の解釈に大きく依存し、拡張性に欠ける。マルチモーダルスペクトルデータから2次元および3次元分子構造を直接推定する生成フレームワークであるDiffSpectraを提案する。
論文参考訳（メタデータ） (2025-07-09T13:57:20Z)
CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文参考訳（メタデータ） (2025-06-10T17:20:39Z)
AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery [7.338199946027998]
本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。 5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-05-17T07:12:12Z)
HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
論文参考訳（メタデータ） (2025-04-02T06:46:28Z)
DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
論文参考訳（メタデータ） (2024-10-17T17:20:24Z)
Medication Recommendation via Dual Molecular Modalities and Multi-Step Enhancement [6.927266015351967]
既存の分子知識に基づく研究は、分子の3次元幾何学構造を無視し、医薬品の高次元情報を学ぶのに失敗している。本稿では,原子3次元座標とエッジインデックスを得るために3次元分子構造を導入するBiMoRecという2次元分子レコメンデーションフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-30T07:13:08Z)
TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文参考訳（メタデータ） (2024-05-27T05:45:51Z)
DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction [8.292330541203647]
本稿では、ディープニューラルネットワークを用いて、アミノ酸やSMILES配列から局所的な化学コンテキストを抽出する、DeepGSと呼ばれる新しいエンドツーエンド学習フレームワークを提案する。我々は提案手法を,KronRLS,Sim,DeepDTA,DeepCPIといった最先端モデルと比較するための広範な実験を行った。
論文参考訳（メタデータ） (2020-03-31T01:35:39Z)
Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
論文参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。