論文の概要: Phi-Former: A Pairwise Hierarchical Approach for Compound-Protein Interactions Prediction

• arxiv url: http://arxiv.org/abs/2602.05479v1
• Date: Thu, 05 Feb 2026 09:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.863206
• Title: Phi-Former: A Pairwise Hierarchical Approach for Compound-Protein Interactions Prediction
• Title（参考訳）: Phi-Former:複合-タンパク質相互作用予測のための階層的アプローチ
• Authors: Zhe Wang, Zijing Liu, Chencheng Xu, Yuan Yao,
• Abstract要約: 薬物の発見は、時間を要する、労働集約的で高価なままである。 複合タンパク質相互作用(CPI)の予測は、この過程において重要な要素である。 近年の深層学習法は原子レベルでのCPIのモデル化に成功している。 本稿では,Phi-formerを提案する。
• 参考スコア（独自算出の注目度）: 12.813544613908588
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug discovery remains time-consuming, labor-intensive, and expensive, often requiring years and substantial investment per drug candidate. Predicting compound-protein interactions (CPIs) is a critical component in this process, enabling the identification of molecular interactions between drug candidates and target proteins. Recent deep learning methods have successfully modeled CPIs at the atomic level, achieving improved efficiency and accuracy over traditional energy-based approaches. However, these models do not always align with chemical realities, as molecular fragments (motifs or functional groups) typically serve as the primary units of biological recognition and binding. In this paper, we propose Phi-former, a pairwise hierarchical interaction representation learning method that addresses this gap by incorporating the biological role of motifs in CPIs. Phi-former represents compounds and proteins hierarchically and employs a pairwise pre-training framework to model interactions systematically across atom-atom, motif-motif, and atom-motif levels, reflecting how biological systems recognize molecular partners. We design intra-level and inter-level learning pipelines that make different interaction levels mutually beneficial. Experimental results demonstrate that Phi-former achieves superior performance on CPI-related tasks. A case study shows that our method accurately identifies specific atoms or motifs activated in CPIs, providing interpretable model explanations. These insights may guide rational drug design and support precision medicine applications.
• Abstract（参考訳）: 薬物の発見は、時間を要する、労働集約的で高価であり、しばしば、薬物候補1人当たりのかなりの投資を必要としている。 この過程において、化合物-タンパク質相互作用(CPI)の予測は重要な要素であり、薬物候補と標的タンパク質間の分子間相互作用の同定を可能にする。 近年のディープラーニング手法は原子レベルでのCPIのモデル化に成功し、従来のエネルギーベースアプローチよりも効率と精度の向上を実現している。 しかしながら、これらのモデルは、分子断片(モチーフまたは官能基)が通常、生物学的認識と結合の主要な単位となるため、化学的な現実と常に一致しない。 本稿では,CPIにモチーフの生物学的役割を組み込むことで,このギャップに対処する一対の階層的相互作用表現学習手法であるPhi-formerを提案する。 Phi-formerは化合物やタンパク質を階層的に表現し、生物学的システムが分子パートナーをどう認識するかを反映して、原子-原子、モチーフ-モチーフ、原子-モチーフの相互作用を体系的にモデル化する、ペアワイズ事前学習の枠組みを用いる。 異なる相互作用レベルを相互に有益とするレベル内およびレベル間学習パイプラインを設計する。 実験により,Phi-formerはCPI関連タスクにおいて優れた性能を発揮することが示された。 ケーススタディでは、CPIで活性化される特定の原子やモチーフを正確に同定し、解釈可能なモデル説明を提供する。 これらの知見は、合理的な薬物設計を導き、精密医療の応用を支援する可能性がある。

関連論文リスト

• Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations [3.6099926707292793]
  薬物と薬物の相互作用(DDI)は、薬理学において重要な課題であり、しばしば患者の安全と医療結果に重大な影響を及ぼす有害な薬物反応を引き起こす。 我々は,分子と生物の知識を統合したグラフベースの新しいフレームワークであるMolecBioNetを提案し,ロバストで解釈可能なDDI予測を行う。
  論文  参考訳（メタデータ） (2025-07-12T07:43:19Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery [32.573496601865465]
  構造に基づく薬物発見(Structure-based drug discovery、SBDD)は、標的タンパク質の詳細な物理的構造を利用して新しい薬物を開発する体系的な科学的プロセスである。 生体分子の事前学習モデルの最近の進歩は、様々な生化学的応用において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2025-03-06T12:04:56Z)
• The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks [16.396309363020908]
  複雑なタンパク質-タンパク質相互作用(PPI)の正確な予測は、生物学的プロセスの復号に不可欠である。 署名されたPPIネットワークに対して,S2-SPM(Signed Two-Space Proximity Model)を提案する。 我々のアプローチは、極端なタンパク質プロファイルを表すアーチタイプを識別することを可能にする。
  論文  参考訳（メタデータ） (2025-03-05T21:08:58Z)
• Binding Affinity Prediction: From Conventional to Machine Learning-Based Approaches [48.66541987908136]
  過去数十年間、バインディング親和性を予測するために多くの作業が費やされてきた。 従来の機械学習モデルとディープラーニングモデルの両方を結合親和性を予測するために利用している点に注意が必要だ。 予測性能の改善とFDAの動物試験の廃止により、AI仮想細胞(AIVC)のようなサイリコモデルで駆動されるAIは、結合親和性予測を前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-09-30T03:40:49Z)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• 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)
• Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction [4.307720252429733]
  機械学習のアプローチでは、分子の数値表現がモデルの性能に欠かせない。 薬物と標的の相互作用をモデル化するための自己注意に基づく多視点表現学習手法を提案する。
  論文  参考訳（メタデータ） (2020-05-01T14:28:17Z)
• 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。