論文の概要: DPD-Cancer: Explainable Graph-based Deep Learning for Small Molecule Anti-Cancer Activity Prediction

• arxiv url: http://arxiv.org/abs/2603.26114v1
• Date: Fri, 27 Mar 2026 07:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.378165
• Title: DPD-Cancer: Explainable Graph-based Deep Learning for Small Molecule Anti-Cancer Activity Prediction
• Title（参考訳）: DPD-Cancer:小さな分子反Cancer活動予測のための説明可能なグラフベースディープラーニング
• Authors: Magnus H. Strømme, Alex G. C. de Sá, David B. Ascher,
• Abstract要約: 本稿では,グラフ注意変換(GAT)フレームワークに基づくディープラーニング手法であるPD-Cancerを紹介する。 小分子抗がん活性分類と細胞株特異的反応の定量的予測のために設計された。 10種類の癌と73の細胞株にわたるpGI50予測では、Pearsonの相関係数は独立テストセットで最大0.72に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate drug response prediction is a critical bottleneck in computational biochemistry, limited by the challenge of modelling the interplay between molecular structure and cellular context. In cancer research, this is acute due to tumour heterogeneity and genomic variability, which hinder the identification of effective therapies. Conventional approaches often fail to capture non-linear relationships between chemical features and biological outcomes across diverse cell lines. To address this, we introduce DPD-Cancer, a deep learning method based on a Graph Attention Transformer (GAT) framework. It is designed for small molecule anti-cancer activity classification and the quantitative prediction of cell-line specific responses, specifically growth inhibition concentration (pGI50). Benchmarked against state-of-the-art methods (pdCSM-cancer, ACLPred, and MLASM), DPD-Cancer demonstrated superior performance, achieving an Area Under ROC Curve (AUC) of up to 0.87 on strictly partitioned NCI60 data and up to 0.98 on ACLPred/MLASM datasets. For pGI50 prediction across 10 cancer types and 73 cell lines, the model achieved Pearson's correlation coefficients of up to 0.72 on independent test sets. These findings confirm that attention-based mechanisms offer significant advantages in extracting meaningful molecular representations, establishing DPD-Cancer as a competitive tool for prioritising drug candidates. Furthermore, DPD-Cancer provides explainability by leveraging the attention mechanism to identify and visualise specific molecular substructures, offering actionable insights for lead optimisation. DPD-Cancer is freely available as a web server at: https://biosig.lab.uq.edu.au/dpd_cancer/.
• Abstract（参考訳）: 正確な薬物応答予測は、計算生化学において重要なボトルネックであり、分子構造と細胞コンテキストの間の相互作用をモデル化することの難しさによって制限される。 がん研究において、これは腫瘍の不均一性とゲノム変異により急性であり、効果的な治療法の特定を妨げる。 従来のアプローチでは、化学的特徴と様々な細胞株における生物学的結果の間の非線形関係を捉えることができないことが多い。 そこで本稿では,グラフ注意変換(GAT)フレームワークに基づくディープラーニング手法であるPD-Cancerを紹介する。 小分子抗がん活性分類と細胞株特異的反応の定量的予測、特に増殖抑制濃度(pGI50)のために設計された。 最先端の手法(pdCSM-cancer、ACLPred、MLASM)に比較して、PDD-Cancerはより優れた性能を示し、厳密な分割NCI60データで最大0.87、ACLPred/MLASMデータセットで最大0.98を達成した。 10種類の癌と73の細胞株にわたるpGI50予測では、Pearsonの相関係数は独立テストセットで最大0.72に達した。 これらの結果から, 注意基盤機構は有意義な分子的表現を抽出し, DPD-Cancerを薬剤候補の優先順位付けの競争ツールとして確立する上で, 重要な利点があることが確認された。 さらに、PD-Cancerは、特定の分子サブ構造を特定し視覚化するための注意機構を活用することで説明可能性を提供し、鉛の最適化に実行可能な洞察を提供する。 DPD-Cancer は https://biosig.lab.uq.edu.au/dpd_cancer/

関連論文リスト

• An Interpretable Machine Learning Framework for Non-Small Cell Lung Cancer Drug Response Analysis [3.416642353308202]
  パーソナライズドメディカルでは、治療は個人の遺伝情報と生活様式に応じて調整される。 本稿では,遺伝子プロファイルに着目した患者データを用いたパーソナライズされた治療計画の開発に焦点をあてる。 がんにおける薬物感受性ゲノミクスのマルチオミクスデータは、予測モデルを構築するために使われてきた。 XGBoostorは、がんデータセットから抽出された分子的および細胞的特徴に焦点を当てた薬物応答を予測するために使用される。
  論文  参考訳（メタデータ） (2026-03-17T10:01:26Z)
• Predicting Neoadjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images [2.23127246021293]
  三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。 本報告では, 治療前のヘマトキシリンおよびエオシン含有生検スライドから直接, 病理学的完全反応(pCR)を予測するために, 注意に基づく多症例学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T02:06:34Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。