論文の概要: DiSPA: Differential Substructure-Pathway Attention for Drug Response Prediction

• arxiv url: http://arxiv.org/abs/2601.14346v1
• Date: Tue, 20 Jan 2026 16:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.112773
• Title: DiSPA: Differential Substructure-Pathway Attention for Drug Response Prediction
• Title（参考訳）: DiSPA : 薬物反応予測のための差分サブストラクチャ-パスウェイ注意
• Authors: Yewon Han, Sunghyun Kim, Eunyi Jeong, Sungkyung Lee, Seokwoo Yun, Sangsoo Lim,
• Abstract要約: DiSPAは、薬物応答の構造的および文脈的メカニズムを阻害する表現学習フレームワークである。 最先端のパフォーマンスを実現し、特に解離セットの設定が大幅に改善されている。 バルクRNA-seqデータのみをトレーニングしたDiSPAは,空間転写学へのゼロショット転送を可能にすることを実証した。
• 参考スコア（独自算出の注目度）: 1.5562052057144735
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of drug response in precision medicine requires models that capture how specific chemical substructures interact with cellular pathway states. However, most existing deep learning approaches treat chemical and transcriptomic modalities independently or combine them only at late stages, limiting their ability to model fine-grained, context-dependent mechanisms of drug action. In addition, standard attention mechanisms are often sensitive to noise and sparsity in high-dimensional biological networks, hindering both generalization and interpretability. We present DiSPA, a representation learning framework that explicitly disentangles structure-driven and context-driven mechanisms of drug response through bidirectional conditioning between chemical substructures and pathway-level gene expression. DiSPA introduces a differential cross-attention module that suppresses spurious pathway-substructure associations while amplifying contextually relevant interactions. Across multiple evaluation settings on the GDSC benchmark, DiSPA achieves state-of-the-art performance, with particularly strong improvements in the disjoint-set setting, which assesses generalization to unseen drug-cell combinations. Beyond predictive accuracy, DiSPA yields mechanistically informative representations: learned attention patterns recover known pharmacophores, distinguish structure-driven from context-dependent compounds, and exhibit coherent organization across biological pathways. Furthermore, we demonstrate that DiSPA trained solely on bulk RNA-seq data enables zero-shot transfer to spatial transcriptomics, revealing region-specific drug sensitivity patterns without retraining. Together, these results establish DiSPA as a robust and interpretable framework for integrative pharmacogenomic modeling, enabling principled analysis of drug response mechanisms beyond post hoc interpretation.
• Abstract（参考訳）: 精密医療における薬物反応の正確な予測には、特定の化学的サブ構造が細胞経路状態とどのように相互作用するかを捉えるモデルが必要である。 しかし、既存のディープラーニングアプローチのほとんどは、化学的および転写学的モダリティを独立に扱うか、後期にのみ組み合わせ、薬物作用の微細で文脈に依存したメカニズムをモデル化する能力を制限する。 加えて、標準的な注意機構は高次元の生物学的ネットワークにおいてノイズや空間に敏感であり、一般化と解釈可能性の両方を妨げる。 化学物質サブストラクチャーと経路レベルの遺伝子発現の双方向条件付けを通じて, 薬物応答の構造的・文脈的メカニズムを明示的に解き放つ表現学習フレームワークであるDiSPAについて述べる。 DiSPAは、文脈的に関連する相互作用を増幅しながら、刺激的な経路-サブ構造関連を抑える、差分横断モジュールを導入している。 GDSCベンチマークの複数の評価設定全体にわたって、DiSPAは最先端のパフォーマンスを達成し、特に解離セットの強い改善により、目に見えない薬物細胞の組み合わせへの一般化を評価する。 学習された注意パターンは既知の製薬所を回復し、文脈に依存した化合物と構造を区別し、生物学的経路にまたがるコヒーレントな組織を示す。 さらに, RNA-seqデータのみをトレーニングしたDiSPAにより, 空間転写学へのゼロショット転送が可能であり, 領域特異的な薬剤感受性パターンを再現することなく明らかにした。 これらの結果は、統合的薬理ゲノミクスモデリングのための堅牢で解釈可能なフレームワークとしてDESPAを確立し、ポストホック解釈以上の薬物応答機構の原理的解析を可能にした。

関連論文リスト

• LINKER: Learning Interactions Between Functional Groups and Residues With Chemical Knowledge-Enhanced Reasoning and Explainability [6.086602240954416]
  生物学的に定義された相互作用型の観点から残基の相互作用を予測する最初のシーケンスベースモデルであるLINKERを紹介する。 リンカーは3Dタンパク質-リガンド複合体から相互作用ラベルが誘導される構造制御された注意で訓練される。 推論時にのみシーケンスレベルの入力が必要であり、構造データが利用できない設定で大規模アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-03T15:53:56Z)
• Conditional Chemical Language Models are Versatile Tools in Drug Discovery [0.0]
  分子の優先順位を決定するための生物学的文脈を規定する化学モデリングフレームワークSAFE-Tを提案する。 仮想スクリーニング、ドラッグ・ターゲット相互作用予測、アクティビティ・崖検出などのタスク間で分子のスコアリングがサポートされている。 既存のアプローチに匹敵するパフォーマンスを継続的に達成します。
  論文  参考訳（メタデータ） (2025-07-14T13:42:39Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• 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)
• Ligandformer: A Graph Neural Network for Predicting Compound Property with Robust Interpretation [20.16601582415929]
  Ligandformerは、解釈による複合プロパティの予測のための自己アテンションベースのグラフニューラルネットワークフレームワークである。 本フレームワークは, 精度, 堅牢性, 一般化の点で性能が優れており, 複雑なシステム研究に応用できる。
  論文  参考訳（メタデータ） (2022-02-21T15:46:44Z)
• 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。