論文の概要: Empowering Chemical Structures with Biological Insights for Scalable Phenotypic Virtual Screening
- arxiv url: http://arxiv.org/abs/2603.15006v1
- Date: Mon, 16 Mar 2026 09:13:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:57.904392
- Title: Empowering Chemical Structures with Biological Insights for Scalable Phenotypic Virtual Screening
- Title（参考訳）: スケーラブルなフェノタイプ仮想スクリーニングのためのバイオインサイトを用いた化学構造解析
- Authors: Xiaoqing Lian, Pengsen Ma, Tengfeng Ma, Zhonghao Ren, Xibao Cai, Zhixiang Cheng, Bosheng Song, He Wang, Xiang Pan, Yangyang Chen, Sisi Yuan, Chen Lin,
- Abstract要約: 本研究は,本質的な生物学的意味論による化学表現の強化によりギャップを橋渡しするフレームワークであるDECODEを提案する。
以上の結果からDECODEは, 作用機構予測において, 化学的ベースラインよりも20%以上の相対的な改善を施し, ゼロショット設定で機能的に類似した薬物を回収できることが示唆された。
- 参考スコア（独自算出の注目度）: 13.925550352212412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: The scalable identification of bioactive compounds is essential for contemporary drug discovery. This process faces a key trade-off: structural screening offers scalability but lacks biological context, whereas high-content phenotypic profiling provides deep biological insights but is resource-intensive. The primary challenge is to extract robust biological signals from noisy data and encode them into representations that do not require biological data at inference. Results: This study presents DECODE (DEcomposing Cellular Observations of Drug Effects), a framework that bridges this gap by empowering chemical representations with intrinsic biological semantics to enable structure-based in silico biological profiling. DECODE leverages limited paired transcriptomic and morphological data as supervisory signals during training, enabling the extraction of a measurement-invariant biological fingerprint from chemical structures and explicit filtering of experimental noise. Our evaluations demonstrate that DECODE retrieves functionally similar drugs in zero-shot settings with over 20% relative improvement over chemical baselines in mechanism-of-action (MOA) prediction. Furthermore, the framework achieves a 6-fold increase in hit rates for novel anti-cancer agents during external validation. Availability and implementation: The codes and datasets of DECODE are available at https://github.com/lian-xiao/DECODE.
- Abstract（参考訳）: モチベーション(Motivation): 生物活性化合物のスケーラブルな同定は、現代の薬物発見に不可欠である。
構造スクリーニングはスケーラビリティを提供するが生物学的文脈に欠けるが、高濃度表現型プロファイリングは深い生物学的洞察を提供するが、資源集約である。
主な課題は、ノイズの多いデータから堅牢な生物学的信号を抽出し、推論時に生物学的データを必要としない表現に符号化することである。
結果: 本研究はDECODE(Decomposing Cellular Observations of Drug Effects)を提示し, このギャップを埋める枠組みである。
DECODEは、訓練中に限られたペアの転写学的および形態学的データを監視信号として利用し、化学構造から測定不変の生体指紋を抽出し、実験ノイズの明示的なフィルタリングを可能にする。
反応機構(MOA)予測において,DECODEは化学ベースラインよりも20%以上の相対的な改善を施し,ゼロショット設定で機能的に類似した薬物を回収することを示した。
さらに, この枠組みは, 新規抗がん剤に対する外的検証において, 6倍のヒット率を達成している。
可用性と実装: DECODEのコードとデータセットはhttps://github.com/lian-xiao/DECODEで入手できる。
関連論文リスト
- MEDNA-DFM: A Dual-View FiLM-MoE Model for Explainable DNA Methylation Prediction [7.3621714430935805]
本稿では,機構にインスパイアされた信号浄化アルゴリズムとともに,高性能なMEDNA-DFMを提案する。
本研究は,MEDNA-DFMが保存メチル化パターンを効果的に捉えていることを示す。
開発したアルゴリズムを適用して,従来の研究よりも信頼性の高いモチーフを抽出した。
論文 参考訳（メタデータ） (2026-02-26T10:38:41Z) - Rep3Net: An Approach Exploiting Multimodal Representation for Molecular Bioactivity Prediction [0.8049701904919515]
初期の薬物発見では、標的タンパク質に対する分子の生物活性予測が重要な役割を果たす。
本稿では,Rep3Netを提案する。Rep3Netは,記述子データだけでなく,空間情報や関係情報も含む統合型ディープラーニングアーキテクチャである。
本モデルにより,ポリ[ADP-リボース]ポリメラーゼ1データセット上での生物活性予測が得られた。
論文 参考訳（メタデータ） (2025-11-29T15:39:48Z) - Conditional Chemical Language Models are Versatile Tools in Drug Discovery [0.0]
分子の優先順位を決定するための生物学的文脈を規定する化学モデリングフレームワークSAFE-Tを提案する。
仮想スクリーニング、ドラッグ・ターゲット相互作用予測、アクティビティ・崖検出などのタスク間で分子のスコアリングがサポートされている。
既存のアプローチに匹敵するパフォーマンスを継続的に達成します。
論文 参考訳（メタデータ） (2025-07-14T13:42:39Z) - GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。
DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。
また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-02-11T05:39:49Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF)
我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。
本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-07T17:32:21Z) - Unveiling Molecular Moieties through Hierarchical Grad-CAM Graph Explainability [0.0]
生物学的活性に対する分子サブストラクチャーの特定の寄与を解明するための説明可能な方法の統合は重要な課題である。
我々は,小分子のデータセットを用いて20個のGNNモデルを訓練し,キナーゼファミリーから20個のタンパク質標的上での活性を予測することを目標とした。
我々は階層型Grad-CAMグラフExplainerフレームワークを実装し,タンパク質-リガンド結合安定化を駆動する分子構造を詳細に解析する。
論文 参考訳（メタデータ） (2024-01-29T17:23:25Z) - 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)
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。