論文の概要: DTI-GP: Bayesian operations for drug-target interactions using deep kernel Gaussian processes

• arxiv url: http://arxiv.org/abs/2512.24810v1
• Date: Wed, 31 Dec 2025 11:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.644757
• Title: DTI-GP: Bayesian operations for drug-target interactions using deep kernel Gaussian processes
• Title（参考訳）: DTI-GP:ディープ・カーネル・ガウス法による薬物-標的相互作用のためのベイズ演算
• Authors: Bence Bolgár, András Millinghoffer, Péter Antal,
• Abstract要約: ガウス過程(GP)は、最先端のDTI表現とベイズ推論を統合するスケーラブルなフレームワークを提供する。 本稿では, 深層カーネル学習に基づくGPアーキテクチャ (DTI-GP) を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise probabilistic information about drug-target interaction (DTI) predictions is vital for understanding limitations and boosting predictive performance. Gaussian processes (GP) offer a scalable framework to integrate state-of-the-art DTI representations and Bayesian inference, enabling novel operations, such as Bayesian classification with rejection, top-$K$ selection, and ranking. We propose a deep kernel learning-based GP architecture (DTI-GP), which incorporates a combined neural embedding module for chemical compounds and protein targets, and a GP module. The workflow continues with sampling from the predictive distribution to estimate a Bayesian precedence matrix, which is used in fast and accurate selection and ranking operations. DTI-GP outperforms state-of-the-art solutions, and it allows (1) the construction of a Bayesian accuracy-confidence enrichment score, (2) rejection schemes for improved enrichment, and (3) estimation and search for top-$K$ selections and ranking with high expected utility.
• Abstract（参考訳）: 薬物と標的の相互作用(DTI)の予測に関する正確な確率情報は、限界を理解し、予測性能を高めるために不可欠である。 ガウス過程(GP)は、最先端のDTI表現とベイズ推論を統合するためのスケーラブルなフレームワークを提供する。 本稿では, 深層カーネル学習に基づくGPアーキテクチャ (DTI-GP) を提案する。 このワークフローは予測分布からサンプリングしてベイズ行列を推定し、高速かつ正確な選択とランキング操作に使用される。 DTI-GP は,(1) ベイズ精度信頼度向上スコアの構築,(2) 拡張性向上のための拒絶スキーム,(3) 上位$K$ の選択と高い期待値のランク付けを実現している。

関連論文リスト

• Conformalized Gaussian processes for online uncertainty quantification over graphs [27.90282886573793]
  グラフ上の不確実性定量化(UQ)は、ネットワーク科学における多くの安全クリティカルな応用に現れる。 我々は、ランダム特徴(RF)に基づくカーネル近似を利用して、新しいグラフ対応パラメトリックGPモデルを考案する。 誤特定をモデル化するためのロバストなカバレッジを確保するため,我々はGPベースの集合予測器をオンラインコンフォメーション予測フレームワークを用いて検討した。
  論文  参考訳（メタデータ） (2025-10-07T17:44:13Z)
• Whom to Trust? Elective Learning for Distributed Gaussian Process Regression [3.5208783730894972]
  我々は、選択学習アルゴリズム、すなわち、事前認識された選択分散GP(Pri-GP)を開発する。 Pri-GPは、その信頼性に基づいて、近隣のエージェントから予測を選択的に要求する能力を持つエージェントに権限を与える。 プリGPフレームワーク内に予測誤差を確立し,予測の信頼性を確保する。
  論文  参考訳（メタデータ） (2024-02-05T13:52:56Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Optimizing Area Under the Curve Measures via Matrix Factorization for Drug-Target Interaction Prediction [7.385579678137434]
  本稿では,高精度リコール曲線(AUPR)と受信動作特性曲線(AUC)の領域を最適化する2つの行列分解法を提案する。 4つの最新のベンチマークデータセットに対する実験結果は、最適化された評価基準の点から提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-05-01T14:48:32Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)

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。