論文の概要: MGKAN: Predicting Asymmetric Drug-Drug Interactions via a Multimodal Graph Kolmogorov-Arnold Network

• arxiv url: http://arxiv.org/abs/2602.01751v2
• Date: Tue, 03 Feb 2026 03:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 16:18:58.859352
• Title: MGKAN: Predicting Asymmetric Drug-Drug Interactions via a Multimodal Graph Kolmogorov-Arnold Network
• Title（参考訳）: MGKAN:Multimodal Graph Kolmogorov-Arnold Networkによる薬物と薬物の非対称相互作用の予測
• Authors: Kunyi Fan, Mengjie Chen, Longlong Li, Cunquan Qu,
• Abstract要約: MGKANは、非対称なDDI予測に学習可能な基底関数を導入するグラフコルモゴロフ・アルノルドネットワークである。 薬理学的依存関係を捉えるため、MGKANは3つのネットワークビュー(非対称DDIネットワーク、協調相互作用ネットワーク、および生体化学的類似性ネットワーク)を統合する。 2つのベンチマークデータセットでは、MGKANは7つの最先端ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 2.854338743097065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting drug-drug interactions (DDIs) is essential for safe pharmacological treatments. Previous graph neural network (GNN) models leverage molecular structures and interaction networks but mostly rely on linear aggregation and symmetric assumptions, limiting their ability to capture nonlinear and heterogeneous patterns. We propose MGKAN, a Graph Kolmogorov-Arnold Network that introduces learnable basis functions into asymmetric DDI prediction. MGKAN replaces conventional MLP transformations with KAN-driven basis functions, enabling more expressive and nonlinear modeling of drug relationships. To capture pharmacological dependencies, MGKAN integrates three network views-an asymmetric DDI network, a co-interaction network, and a biochemical similarity network-with role-specific embeddings to preserve directional semantics. A fusion module combines linear attention and nonlinear transformation to enhance representational capacity. On two benchmark datasets, MGKAN outperforms seven state-of-the-art baselines. Ablation studies and case studies confirm its predictive accuracy and effectiveness in modeling directional drug effects.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)の予測は、安全な薬理学的治療に不可欠である。 従来のグラフニューラルネットワーク(GNN)モデルは、分子構造と相互作用ネットワークを利用するが、主に線形集約と対称仮定に依存し、非線形および不均一パターンをキャプチャする能力を制限する。 非対称なDDI予測に学習可能な基底関数を導入するグラフコルモゴロフ・アルノルドネットワークMGKANを提案する。 MGKANは従来のMLP変換をKAN駆動の基底関数に置き換え、薬物関係のより表現的で非線形なモデリングを可能にする。 薬理学的依存関係を捉えるため、MGKANは3つのネットワークビュー(非対称DDIネットワーク、協調相互作用ネットワーク、および生体化学的類似性ネットワーク)を統合する。 融合モジュールは、線形注意と非線形変換を組み合わせて表現能力を高める。 2つのベンチマークデータセットでは、MGKANは7つの最先端ベースラインを上回っている。 アブレーション研究とケーススタディは、指向性薬物効果のモデル化における予測精度と有効性を確認した。

関連論文リスト

• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
  本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。 予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。 ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2025-04-02T06:46:28Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)
• Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs [6.875312133832078]
  マルチモーダルネットワーク上での潜在ノード表現のモデル化におけるグラフオートエンコーダ(VGAE)の有効性を示す。 提案手法は,マルチモーダルグラフの各ノードタイプに対して柔軟な潜在空間を生成する。 モーガンの指紋は各薬の分子構造を捉え、その前に潜伏した埋め込みをデコードする。
  論文  参考訳（メタデータ） (2023-02-17T04:06:46Z)
• coVariance Neural Networks [119.45320143101381]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ内の相互関係を利用して学習する効果的なフレームワークである。 我々は、サンプル共分散行列をグラフとして扱う、共分散ニューラルネットワーク(VNN)と呼ばれるGNNアーキテクチャを提案する。 VNN の性能は PCA ベースの統計手法よりも安定していることを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:04:43Z)
• MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination Therapy [2.446672595462589]
  本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。 本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。 このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-10-28T13:10:25Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。