論文の概要: Distilling and Adapting: A Topology-Aware Framework for Zero-Shot Interaction Prediction in Multiplex Biological Networks

• arxiv url: http://arxiv.org/abs/2603.06618v1
• Date: Fri, 20 Feb 2026 18:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.443224
• Title: Distilling and Adapting: A Topology-Aware Framework for Zero-Shot Interaction Prediction in Multiplex Biological Networks
• Title（参考訳）: 蒸留と適応:複数生物ネットワークにおけるゼロショット相互作用予測のためのトポロジー認識フレームワーク
• Authors: Alana Deng, Sugitha Janarthanan, Yan Sun, Zihao Jing, Pingzhao Hu,
• Abstract要約: Multiplex Biological Networks (MBN) は、エンティティ間の複数の相互作用のタイプを表す。 文脈認識型表現学習と知識蒸留を利用したMBNにおけるゼロショット相互作用予測のための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.310586777906123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiplex Biological Networks (MBNs), which represent multiple interaction types between entities, are crucial for understanding complex biological systems. Yet, existing methods often inadequately model multiplexity, struggle to integrate structural and sequence information, and face difficulties in zero-shot prediction for unseen entities with no prior neighbourhood information. To address these limitations, we propose a novel framework for zero-shot interaction prediction in MBNs by leveraging context-aware representation learning and knowledge distillation. Our approach leverages domain-specific foundation models to generate enriched embeddings, introduces a topology-aware graph tokenizer to capture multiplexity and higher-order connectivity, and employs contrastive learning to align embeddings across modalities. A teacher-student distillation strategy further enables robust zero-shot generalization. Experimental results demonstrate that our framework outperforms state-of-the-art methods in interaction prediction for MBNs, providing a powerful tool for exploring various biological interactions and advancing personalized therapeutics.
• Abstract（参考訳）: 複合生物ネットワーク(MBN)は、複雑な生物学的システムを理解する上で重要である。 しかし、既存の手法はしばしば多重性を不十分にモデル化し、構造的およびシーケンス的情報の統合に苦慮し、事前の近傍情報を持たない未確認物体のゼロショット予測において困難に直面している。 これらの制約に対処するために,文脈認識型表現学習と知識蒸留を活用して,MBNにおけるゼロショット相互作用予測のための新しいフレームワークを提案する。 提案手法では, ドメイン固有の基礎モデルを用いて, リッチな埋め込みを生成するとともに, 多重性や高次接続性を捉えるトポロジ対応グラフトークンを導入し, コントラスト学習を用いて埋め込みをモダリティ間で整列させる。 教師と学生の蒸留戦略により、より堅牢なゼロショット一般化が可能となる。 実験の結果,本フレームワークはMBNの相互作用予測における最先端の手法よりも優れており,多様な生物学的相互作用を探索し,パーソナライズされた治療を推進するための強力なツールとなっている。

関連論文リスト

• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• 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)
• Heterogeneous network drug-target interaction prediction model based on graph wavelet transform and multi-level contrastive learning [8.154286666697312]
  本研究ではヘテロジニアスネットワークの薬物標的相互作用予測フレームワークを提案する。 グラフニューラルネットワークとマルチスケール信号処理技術を統合し、効率的な予測とマルチレベル解釈性の両方でモデルを構築する。 実験結果から,本フレームワークは全てのデータセットに対して優れた予測性能を示すことがわかった。
  論文  参考訳（メタデータ） (2025-04-27T09:29:50Z)
• 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)
• PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis [1.1619559582563954]
  空間多モードオミクス解析(PRAGA)のためのPRototype-Aware Graph Adaptative Aggregationを提案する。 PRAGAは動的グラフを構築し、潜在意味関係を捉え、空間情報と特徴意味論を包括的に統合する。 学習可能なグラフ構造は、クロスモーダルな知識を学習することで摂動を損なうこともできる。
  論文  参考訳（メタデータ） (2024-09-19T12:53:29Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。