論文の概要: Disentangling Causal Substructures for Interpretable and Generalizable Drug Synergy Prediction

• arxiv url: http://arxiv.org/abs/2511.02146v1
• Date: Tue, 04 Nov 2025 00:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.758684
• Title: Disentangling Causal Substructures for Interpretable and Generalizable Drug Synergy Prediction
• Title（参考訳）: 解答・一般化可能な薬物相乗効果予測のための遠方性因果構造
• Authors: Yi Luo, Haochen Zhao, Xiao Liang, Yiwei Liu, Yuye Zhang, Xinyu Li, Jianxin Wang,
• Abstract要約: CausalDDSは、薬物分子を因果的および刺激的なサブ構造に分解する新しいフレームワークである。 CaulDDSは、薬物シナジーの根底にある重要なサブ構造を効果的に同定する。
• 参考スコア（独自算出の注目度）: 24.633440135682605
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug synergy prediction is a critical task in the development of effective combination therapies for complex diseases, including cancer. Although existing methods have shown promising results, they often operate as black-box predictors that rely predominantly on statistical correlations between drug characteristics and results. To address this limitation, we propose CausalDDS, a novel framework that disentangles drug molecules into causal and spurious substructures, utilizing the causal substructure representations for predicting drug synergy. By focusing on causal sub-structures, CausalDDS effectively mitigates the impact of redundant features introduced by spurious substructures, enhancing the accuracy and interpretability of the model. In addition, CausalDDS employs a conditional intervention mechanism, where interventions are conditioned on paired molecular structures, and introduces a novel optimization objective guided by the principles of sufficiency and independence. Extensive experiments demonstrate that our method outperforms baseline models, particularly in cold start and out-of-distribution settings. Besides, CausalDDS effectively identifies key substructures underlying drug synergy, providing clear insights into how drug combinations work at the molecular level. These results underscore the potential of CausalDDS as a practical tool for predicting drug synergy and facilitating drug discovery.
• Abstract（参考訳）: 薬物シナジー予測は、がんを含む複雑な疾患に対する効果的な組み合わせ療法の開発において重要な課題である。 既存の手法は有望な結果を示しているが、薬物の特徴と結果の統計的相関に大きく依存するブラックボックス予測器として機能することが多い。 薬物相乗効果を予測するための因果的サブ構造表現を利用して, 薬物分子を因果的, 刺激的サブ構造に分解する新しい枠組みであるCausalDDSを提案する。 CausalDDSは因果的部分構造に焦点をあてることで、余剰な部分構造がもたらす冗長な特徴の影響を効果的に軽減し、モデルの精度と解釈可能性を高める。 さらに、CausalDDSは、ペア化された分子構造に干渉を条件付けする条件付き介入機構を採用し、十分性と独立性の原理によって導かれる新しい最適化目標を導入する。 大規模な実験により,本手法は,特にコールドスタートやアウト・オブ・ディストリビューション設定において,ベースラインモデルよりも優れていることが示された。 加えて、CausalDDSは薬物相乗効果の根底にある重要なサブ構造を効果的に同定し、薬物の組み合わせが分子レベルでどのように働くかについての明確な洞察を与える。 これらの結果は、薬物のシナジーを予測し、薬物発見を促進するための実用的なツールとして、CausalDDSの可能性を強調している。

関連論文リスト

• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction [10.392084347375963]
  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。
  論文  参考訳（メタデータ） (2025-10-23T11:33:16Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• DTIAM: A unified framework for predicting drug-target interactions, binding affinities and activation/inhibition mechanisms [9.671391525450716]
  薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。 DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。 すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-12-23T13:27:41Z)
• 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)
• Interpreting the Mechanism of Synergism for Drug Combinations Using Attention-Based Hierarchical Graph Pooling [10.898133007285638]
  我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。 提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
  論文  参考訳（メタデータ） (2022-09-19T11:18:45Z)
• 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)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)

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。