論文の概要: LLM$^3$-DTI: A Large Language Model and Multi-modal data co-powered framework for Drug-Target Interaction prediction

• arxiv url: http://arxiv.org/abs/2511.06269v1
• Date: Sun, 09 Nov 2025 08:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.853694
• Title: LLM$^3$-DTI: A Large Language Model and Multi-modal data co-powered framework for Drug-Target Interaction prediction
• Title（参考訳）: LLM$^3$-DTI:ドラッグ・ターゲット相互作用予測のための大規模言語モデルとマルチモーダルデータ協調フレームワーク
• Authors: Yuhao Zhang, Qinghong Guo, Qixian Chen, Liuwei Zhang, Hongyan Cui, Xiyi Chen,
• Abstract要約: 薬物-標的相互作用(DTI)予測は、薬物発見と薬物再資源化において非常に重要である。 データ駆動方式は、DTIの予測にますます活用され、様々な次元にわたるコストを削減している。 本稿では,予測フレームワークを併用した$textbfL$arge $textbfL$anguage $textbfM$odelと$textbfM$ulti-$textbfM$odelデータを提案する。
• 参考スコア（独自算出の注目度）: 6.405714728027452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-target interaction (DTI) prediction is of great significance for drug discovery and drug repurposing. With the accumulation of a large volume of valuable data, data-driven methods have been increasingly harnessed to predict DTIs, reducing costs across various dimensions. Therefore, this paper proposes a $\textbf{L}$arge $\textbf{L}$anguage $\textbf{M}$odel and $\textbf{M}$ulti-$\textbf{M}$odel data co-powered $\textbf{D}$rug $\textbf{T}$arget $\textbf{I}$nteraction prediction framework, named LLM$^3$-DTI. LLM$^3$-DTI constructs multi-modal data embedding to enhance DTI prediction performance. In this framework, the text semantic embeddings of drugs and targets are encoded by a domain-specific LLM. To effectively align and fuse multi-modal embedding. We propose the dual cross-attention mechanism and the TSFusion module. Finally, these multi-modal data are utilized for the DTI task through an output network. The experimental results indicate that LLM$^3$-DTI can proficiently identify validated DTIs, surpassing the performance of the models employed for comparison across diverse scenarios. Consequently, LLM$^3$-DTI is adept at fulfilling the task of DTI prediction with excellence. The data and code are available at https://github.com/chaser-gua/LLM3DTI.
• Abstract（参考訳）: 薬物-標的相互作用(DTI)予測は、薬物発見と薬物再資源化において非常に重要である。 大量の貴重なデータが蓄積されるにつれ、データ駆動方式はますますDTIを予測するために利用され、様々な次元にわたるコストを削減している。 そこで,本稿では,$\textbf{L}$arge $\textbf{L}$anguage $\textbf{M}$odel and $\textbf{M}$ulti-$\textbf{M}$odel data copowered $\textbf{D}$rug $\textbf{T}$arget $\textbf{I}$nteraction prediction framework, name LLM$3$-DTIを提案する。 LLM$^3$-DTIはDTI予測性能を向上させるためにマルチモーダルデータ埋め込みを構築する。 本フレームワークでは、薬物および標的のテキストセマンティックな埋め込みをドメイン固有のLLMによって符号化する。 マルチモーダル埋め込みを効果的に整列して融合させる。 本稿では,TSFusionモジュールと2つのクロスアテンション機構を提案する。 最後に、これらのマルチモーダルデータを出力ネットワークを介してDTIタスクに利用する。 実験結果から, LLM$^3$-DTIは検証済みのDTIを多種多様なシナリオで比較したモデルの性能を上回る精度で識別できることが示唆された。 従って、LLM$^3$-DTIは、優れたDTI予測のタスクを達成できる。 データとコードはhttps://github.com/chaser-gua/LLM3DTIで公開されている。

関連論文リスト

• Simple yet Effective Semi-supervised Knowledge Distillation from Vision-Language Models via Dual-Head Optimization [47.38380084735716]
  大規模な画像テキストペアで事前訓練された視覚教師付きモデル(VLM)は、顕著なゼロ/フェーショット性能を示した。 知識蒸留(KD)は、VLM能力を伝達するための自然な枠組みを提供するが、監督と蒸留の損失の間の勾配の衝突に悩まされる。 本稿では,異なる信号に対して2つの予測ヘッドを導入するDual-Head Optimization (DHO)を提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:39:51Z)
• Towards An Efficient LLM Training Paradigm for CTR Prediction [37.20013051226115]
  大型言語モデル(LLM)は従来のクリックスルーレート(CTR)予測手法よりも大幅に優れている。 CTR予測のためにLLMを訓練するために、既存の研究の多くは'sliding-window'パラダイムを採用している。 本稿では,動的ターゲット分離(Dynamic Target isolation, DTI)と呼ばれる新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-03-02T19:43:35Z)
• Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
  薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:49:05Z)
• MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
  本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。 我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。 ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-06-12T21:18:14Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• 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)
• DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction [69.7424023336611]
  DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。 複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
  論文  参考訳（メタデータ） (2020-04-19T17:31:55Z)

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。