論文の概要: Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning

• arxiv url: http://arxiv.org/abs/2601.05792v1
• Date: Fri, 09 Jan 2026 13:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.978294
• Title: Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning
• Title（参考訳）: Tensor-DTI:Contrastive Embedding Learningによる生体分子間相互作用予測の強化
• Authors: Manel Gil-Sorribes, Júlia Vilalta-Mor, Isaac Filella-Mercè, Robert Soliva, Álvaro Ciudad, Víctor Guallar, Alexis Molina,
• Abstract要約: 本稿では, 分子グラフ, タンパク質言語モデル, および相互作用モデリングを改善するための結合部位予測から, マルチモーダル埋め込みを統合する, 対照的な学習フレームワークを提案する。 本研究は,マルチモーダル情報を比較対象に組み込むことにより,対話予測精度を高め,仮想スクリーニング分割に対してより解釈可能で信頼性の高いモデルを提供することの利点を強調した。
• 参考スコア（独自算出の注目度）: 0.015229507502478598
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate drug-target interaction (DTI) prediction is essential for computational drug discovery, yet existing models often rely on single-modality predefined molecular descriptors or sequence-based embeddings with limited representativeness. We propose Tensor-DTI, a contrastive learning framework that integrates multimodal embeddings from molecular graphs, protein language models, and binding-site predictions to improve interaction modeling. Tensor-DTI employs a siamese dual-encoder architecture, enabling it to capture both chemical and structural interaction features while distinguishing interacting from non-interacting pairs. Evaluations on multiple DTI benchmarks demonstrate that Tensor-DTI outperforms existing sequence-based and graph-based models. We also conduct large-scale inference experiments on CDK2 across billion-scale chemical libraries, where Tensor-DTI produces chemically plausible hit distributions even when CDK2 is withheld from training. In enrichment studies against Glide docking and Boltz-2 co-folder, Tensor-DTI remains competitive on CDK2 and improves the screening budget required to recover moderate fractions of high-affinity ligands on out-of-family targets under strict family-holdout splits. Additionally, we explore its applicability to protein-RNA and peptide-protein interactions. Our findings highlight the benefits of integrating multimodal information with contrastive objectives to enhance interaction-prediction accuracy and to provide more interpretable and reliability-aware models for virtual screening.
• Abstract（参考訳）: 正確な薬物-標的相互作用(DTI)予測は、計算薬の発見には不可欠であるが、既存のモデルは、単一のモダリティで定義された分子記述子や、限られた代表性を持つ配列ベースの埋め込みに依存していることが多い。 本稿では,分子グラフ,タンパク質言語モデル,および結合部位予測を統合し,相互作用モデリングを改善するための対比学習フレームワークTensor-DTIを提案する。 Tensor-DTIはシアム二重エンコーダアーキテクチャを採用しており、非相互作用対と相互作用を区別しながら化学的相互作用と構造的相互作用の両方をキャプチャすることができる。 複数のDTIベンチマークの評価は、Tensor-DTIが既存のシーケンスベースおよびグラフベースモデルより優れていることを示している。 また,10億の化学図書館においてCDK2の大規模推論実験を行い,CDK2のトレーニングを控えた場合でも,テンソルDTIは化学的に可算なヒット分布を発生させる。 Glide docking と Boltz-2 co-folder に対する強化研究において、Tensor-DTI はCDK2 上で競争力を維持し、厳密な家族分割の下で、ターゲット外における高親和性リガンドの適度な分画回復に必要なスクリーニング予算を改善している。 さらに,タンパク質-RNAおよびペプチド-タンパク質相互作用への適用性についても検討した。 本研究は,対話予測の精度を高め,仮想スクリーニングのためのより解釈可能で信頼性の高いモデルを提供するために,マルチモーダル情報を比較対象とすることの利点を強調した。

関連論文リスト

• MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
  マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。 MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
  論文  参考訳（メタデータ） (2024-11-23T05:38:36Z)
• FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction [23.03214707776537]
  本稿では,トークンレベルのFusionモジュールを用いてドラッグ・ターゲットインタラクションの詳細な情報を学習するFusionDTIという新しいモデルを提案する。 特に、FusionDTIモデルでは、医薬品のSELFIES表現を使用して、配列フラグメントの無効化を軽減しています。 提案したFusionDTIモデルは,既存の7つの最先端ベースラインと比較して,DTI予測において最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-03T14:48:54Z)
• 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)
• Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
  薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す 従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。 本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T14:25:28Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。