論文の概要: ATTNSOM: Learning Cross-Isoform Attention for Cytochrome P450 Site-of-Metabolism

• arxiv url: http://arxiv.org/abs/2601.20891v1
• Date: Wed, 28 Jan 2026 05:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.356519
• Title: ATTNSOM: Learning Cross-Isoform Attention for Cytochrome P450 Site-of-Metabolism
• Title（参考訳）: ATTNSOM:Cytochrome P450 Site-of-Metabolismのための異型学習
• Authors: Hajung Kim, Eunha Lee, Sohyun Chung, Jueon Park, Seungheun Baek, Jaewoo Kang,
• Abstract要約: 原子レベルのサイト・オブ・メタボリズム予測フレームワークであるATTNを提案する。 内在的な分子反応性を異方性関係と統合する。 このモデルは、サイト・オブ・メタボリズムラベルを持つ2つのベンチマークデータセットで原子分解能で評価される。
• 参考スコア（独自算出の注目度）: 14.60742753122634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying metabolic sites where cytochrome P450 enzymes metabolize small-molecule drugs is essential for drug discovery. Although existing computational approaches have been proposed for site-of-metabolism prediction, they typically ignore cytochrome P450 isoform identity or model isoforms independently, thereby failing to fully capture inherent cross-isoform metabolic patterns. In addition, prior evaluations often rely on top-k metrics, where false positive atoms may be included among the top predictions, underscoring the need for complementary metrics that more directly assess binary atom-level discrimination under severe class imbalance. We propose ATTNSOM, an atom-level site-of-metabolism prediction framework that integrates intrinsic molecular reactivity with cross-isoform relationships. The model combines a shared graph encoder, molecule-conditioned atom representations, and a cross-attention mechanism to capture correlated metabolic patterns across cytochrome P450 isoforms. The model is evaluated on two benchmark datasets annotated with site-of-metabolism labels at atom resolution. Across these benchmarks, the model achieves consistently strong top-k performance across multiple cytochrome P450 isoforms. Relative to ablated variants, the model yields higher Matthews correlation coefficient, indicating improved discrimination of true metabolic sites. These results support the importance of explicitly modeling cross-isoform relationships for site-of-metabolism prediction. The code and datasets are available at https://github.com/dmis-lab/ATTNSOM.
• Abstract（参考訳）: シトクロムP450酵素が小分子の薬物を代謝する代謝部位を同定することは、薬物発見に不可欠である。 既存の計算手法はサイト・オブ・メタボリズムの予測に提案されているが、シトクロムP450アイソフォームやモデルアイソフォームを独立に無視することで、固有の異型代謝パターンを完全に捉えることができない。 さらに、事前評価は、しばしばトップkの指標に依存しており、偽陽性原子が上位の予測に含まれる可能性があるため、重度のクラス不均衡の下で二項原子レベルの識別をより直接的に評価する相補的な指標の必要性が強調されている。 ATTNSOMは、内在性分子反応性と異方性の関係を統合する原子レベルのメタボリズム予測フレームワークである。 このモデルでは、共有グラフエンコーダ、分子条件原子表現、シトクロムP450アイソフォーム間の相関代謝パターンを捕捉するクロスアテンション機構を組み合わせている。 このモデルは、原子分解能のサイト・オブ・メタボリズムラベルで注釈付けされた2つのベンチマークデータセットで評価される。 これらのベンチマーク全体で、このモデルは複数のシトクロムP450アイソフォームに対して一貫して強いトップk性能を達成する。 緩和された変種とは対照的に、モデルはより高いマシューズ相関係数をもたらし、真の代謝部位の識別が改善したことを示す。 これらの結果は,異型関係を明示的にモデル化することの重要性を裏付けるものである。 コードとデータセットはhttps://github.com/dmis-lab/ATTNSOM.comで公開されている。

関連論文リスト

• Investigating Knowledge Distillation Through Neural Networks for Protein Binding Affinity Prediction [0.22369578015657954]
  予測精度とデータ可用性のトレードオフにより、タンパク質結合親和性を正確に予測することは困難である。 学習中にタンパク質構造データを使用し,推論時にのみシーケンスデータを必要とする知識蒸留に基づく回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T08:43:08Z)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• Boltzmann Graph Ensemble Embeddings for Aptamer Libraries [37.52407391187203]
  生化学における機械学習の手法は、分子を性質と構造予測のための一対の分子間相互作用のグラフとして表すのが一般的である。 本稿では,分子をボルツマン重み付き相互作用グラフのアンサンブルとしてモデル化した熱力学的パラメータ化指数型ランダムグラフ(ERGM)を導入する。 提案手法は,アプタマー親和性に対する頑健なコミュニティ検出とサブグラフレベルの説明を可能にする。
  論文  参考訳（メタデータ） (2025-10-24T19:13:36Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Multi-View Variational Autoencoder for Missing Value Imputation in Untargeted Metabolomics [17.563099908890013]
  本稿では,WGSデータと参照代謝産物の情報を利用して未知の代謝産物をインプットする新しい手法を提案する。 両オミクスデータの潜伏表現を学習することにより,欠落したメタボロミクス値を効果的にインプットすることができる。
  論文  参考訳（メタデータ） (2023-10-12T02:34:56Z)
• 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)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Predicting pathways for old and new metabolites through clustering [0.06091702876917279]
  本稿では代謝物構造に基づく経路同定手法を提案する。 両方の特徴群にクラスタリングアルゴリズムを適用した結果、既知の代謝物の92%をそれぞれの経路に正確にリンクしていることが判明した。
  論文  参考訳（メタデータ） (2022-11-28T19:07:02Z)
• 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)

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。