論文の概要: LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction

• arxiv url: http://arxiv.org/abs/2603.14792v1
• Date: Mon, 16 Mar 2026 03:46:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.033954
• Title: LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction
• Title（参考訳）: LaPro-DTA:潜在デュアルビュードラッグ表現と一般化可能なタンパク質の特徴抽出-ターゲット親和性予測
• Authors: Zihan Dun, Liuyi Xu, An-Yang Lu, Shuang Li, Yining Qian,
• Abstract要約: 既存の手法は、現実的なコールドスタートシナリオにおいて大きなパフォーマンス劣化に悩まされる。 堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。
• 参考スコア（独自算出の注目度）: 6.065808462922399
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug--target affinity prediction is pivotal for accelerating drug discovery, yet existing methods suffer from significant performance degradation in realistic cold-start scenarios (unseen drugs/targets/pairs), primarily driven by overfitting to training instances and information loss from irrelevant target sequences. In this paper, we propose LaPro-DTA, a framework designed to achieve robust and generalizable DTA prediction. To tackle overfitting, we devise a latent dual-view drug representation mechanism. It synergizes an instance-level view to capture fine-grained substructures with stochastic perturbation and a distribution-level view to distill generalized chemical scaffolds via semantic remapping, thereby enforcing the model to learn transferable structural rules rather than memorizing specific samples. To mitigate information loss, we introduce a salient protein feature extraction strategy using pattern-aware top-$k$ pooling, which effectively filters background noise and isolates high-response bioactive regions. Furthermore, a cross-view multi-head attention mechanism fuses these purified features to model comprehensive interactions. Extensive experiments on benchmark datasets demonstrate that LaPro-DTA significantly outperforms state-of-the-art methods, achieving an 8\% MSE reduction on the Davis dataset in the challenging unseen-drug setting, while offering interpretable insights into binding mechanisms.
• Abstract（参考訳）: ドラッグ・ターゲット親和性予測は、薬物発見を加速するために重要であるが、既存の手法では、現実的なコールドスタートシナリオ(目に見えないドラッグ/ターゲット/ペア)において、パフォーマンスが著しく低下する。 本稿では,堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。 過剰適合に対処するため, 潜伏する2視点の薬物表現機構を考案した。 確率的摂動を伴う微細なサブ構造を捉えるためのインスタンスレベルのビューと、セマンティックリマッピングによって一般化された化学足場を蒸留する分布レベルのビューを相乗化することにより、特定のサンプルを記憶するのではなく、伝達可能な構造規則を学習するモデルを強制する。 情報損失を軽減するため,パターン認識のトップ-k$プーリングを用いた有能なタンパク質の特徴抽出戦略を導入し,背景雑音を効果的にフィルタし,高応答な生物活性領域を分離する。 さらに、クロスビューマルチヘッドアテンション機構は、これら精製された特徴を融合させ、包括的な相互作用をモデル化する。 ベンチマークデータセットに関する大規模な実験により、LaPro-DTAは最先端の手法を著しく上回り、Davisデータセットに対する8倍のMSE削減を達成するとともに、バインディングメカニズムに対する解釈可能な洞察を提供する。

関連論文リスト

• Co-Diffusion: An Affinity-Aware Two-Stage Latent Diffusion Framework for Generalizable Drug-Target Affinity Prediction [19.66162559968931]
  Co-DiffusionはDTA予測を再定義する新しいフレームワークである。 我々は,Co-Diffusionが最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-03-11T14:47:58Z)
• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery [3.1716746406651457]
  この研究は、構造的先駆体をタンパク質表現に統合する配列に基づく薬物-標的相互作用フレームワークを導入する。 このモデルはHumanおよびBioSNAPデータセットの最先端のパフォーマンスを実現し、BindingDBと競合する。
  論文  参考訳（メタデータ） (2025-09-18T09:38:46Z)
• Diffusion Model with Representation Alignment for Protein Inverse Folding [53.139837825588614]
  タンパク質逆フォールディングはバイオインフォマティクスの基本的な問題であり、与えられたタンパク質のバックボーン構造からアミノ酸配列を復元することを目的としている。 表現アライメント(DMRA)を用いた拡散モデルを用いた新しい手法を提案する。 実験では,CATH4.2データセットを広範囲に評価し,DMRAが先行手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-12T15:47:59Z)
• GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
  薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。 我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-11-03T03:17:09Z)
• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。