論文の概要: Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling

• arxiv url: http://arxiv.org/abs/2511.21120v1
• Date: Wed, 26 Nov 2025 07:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.004901
• Title: Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling
• Title（参考訳）: ロバスト分子モデリングのための細胞認識型階層型マルチモーダル表現の学習
• Authors: Mengran Li, Zelin Zang, Wenbin Xing, Junzhou Chen, Ronghui Zhang, Jiebo Luo, Stan Z. Li,
• Abstract要約: 分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
• 参考スコア（独自算出の注目度）: 74.25438319700929
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how chemical perturbations propagate through biological systems is essential for robust molecular property prediction. While most existing methods focus on chemical structures alone, recent advances highlight the crucial role of cellular responses such as morphology and gene expression in shaping drug effects. However, current cell-aware approaches face two key limitations: (1) modality incompleteness in external biological data, and (2) insufficient modeling of hierarchical dependencies across molecular, cellular, and genomic levels. We propose CHMR (Cell-aware Hierarchical Multi-modal Representations), a robust framework that jointly models local-global dependencies between molecules and cellular responses and captures latent biological hierarchies via a novel tree-structured vector quantization module. Evaluated on nine public benchmarks spanning 728 tasks, CHMR outperforms state-of-the-art baselines, yielding average improvements of 3.6% on classification and 17.2% on regression tasks. These results demonstrate the advantage of hierarchy-aware, multimodal learning for reliable and biologically grounded molecular representations, offering a generalizable framework for integrative biomedical modeling. The code is in https://github.com/limengran98/CHMR.
• Abstract（参考訳）: 化学摂動が生物学的システムを通してどのように伝播するかを理解することは、堅牢な分子特性予測に不可欠である。 既存の方法の多くは化学構造のみに焦点を当てているが、近年の進歩は、形態学や遺伝子の発現などの細胞応答が、薬物の形状形成において重要な役割を担っている。 しかしながら、現在の細胞認識アプローチは、(1)外部生物学的データにおけるモダリティの不完全性、(2)分子レベル、細胞レベル、ゲノムレベルの階層的依存関係のモデリングが不十分な2つの重要な制限に直面している。 分子と細胞応答の局所-グローバル依存性を共同でモデル化し,新しい木構造ベクトル量子化モジュールによって潜在生物階層を捕捉する,堅牢なフレームワークCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回り、分類では3.6%、回帰タスクでは17.2%の平均的な改善をもたらす。 これらの結果は、信頼性と生物学的基盤を持つ分子表現に対する階層型マルチモーダル学習の利点を示し、統合的生体医学モデリングのための一般化可能なフレームワークを提供する。 コードはhttps://github.com/limengran98/CHMRにある。

関連論文リスト

• 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)
• Multi-Modal Molecular Representation Learning via Structure Awareness [19.813872931221546]
  構造認識に基づくマルチモーダル自己制御分子表現事前学習フレームワーク(MMSA)を提案する。 MMSAは分子間の不変知識を活用することにより、分子グラフ表現を強化する。 MoleculeNetベンチマークで最先端のパフォーマンスを実現しており、平均的なROC-AUC改善はベースラインメソッドよりも1.8%から9.6%まで改善されている。
  論文  参考訳（メタデータ） (2025-05-09T08:37:29Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)

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。