論文の概要: Drug Synergy Prediction via Residual Graph Isomorphism Networks and Attention Mechanisms

• arxiv url: http://arxiv.org/abs/2604.21473v1
• Date: Thu, 23 Apr 2026 09:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.414036
• Title: Drug Synergy Prediction via Residual Graph Isomorphism Networks and Attention Mechanisms
• Title（参考訳）: 残留グラフ同型ネットワークによる薬物相乗予測と注意機構
• Authors: Jiyan Song, Wenyang Wang, Chengcheng Yan, Zhiquan Han, Feifei Zhao,
• Abstract要約: Intention Mechanism(ResGIN-Att)と統合されたResidual Graph Isomorphism Networkと呼ばれる新しいモデルを導入する。 このモデルは、まず、残留グラフ同型ネットワークを用いて、薬物分子のマルチスケールトポロジカルな特徴を抽出し、残留結合が深層での過剰な平滑化を緩和する。その後、適応長短期記憶(LSTM)モジュールは、局所からグローバルスケールまでの構造情報を融合する。最後に、クロスアテンションモジュールは、薬物と薬物の相互作用を明示的にモデル化し、重要な化学的サブ構造を特定するように設計されている。
• 参考スコア（独自算出の注目度）: 3.073484266148604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the treatment of complex diseases, treatment regimens using a single drug often yield limited efficacy and can lead to drug resistance. In contrast, combination drug therapies can significantly improve therapeutic outcomes through synergistic effects. However, experimentally validating all possible drug combinations is prohibitively expensive, underscoring the critical need for efficient computational prediction methods. Although existing approaches based on deep learning and graph neural networks (GNNs) have made considerable progress, challenges remain in reducing structural bias, improving generalization capability, and enhancing model interpretability. To address these limitations, this paper proposes a collaborative prediction graph neural network that integrates molecular structural features and cell-line genomic profiles with drug-drug interactions to enhance the prediction of synergistic effects. We introduce a novel model named the Residual Graph Isomorphism Network integrated with an Attention mechanism (ResGIN-Att). The model first extracts multi scale topological features of drug molecules using a residual graph isomorphism network, where residual connections help mitigate over-smoothing in deep layers. Subsequently, an adaptive Long Short-Term Memory (LSTM) module fuses structural information from local to global scales. Finally, a cross-attention module is designed to explicitly model drug-drug interactions and identify key chemical substructures. Extensive experiments on five public benchmark datasets demonstrate that ResGIN-Att achieves competitive performance, comparing favorably against key baseline methods while exhibiting promising generalization capability and robustness.
• Abstract（参考訳）: 複雑な疾患の治療において、単一の薬物を使用した治療レギュラーは、効果が限定され、薬剤耐性を引き起こすことがある。 対照的に、組み合わせた薬物療法は相乗効果によって治療効果を著しく改善することができる。 しかしながら、あらゆる可能な薬物の組み合わせを実験的に検証することは違法に高価であり、効率的な計算予測法の必要性が強調されている。 ディープラーニングとグラフニューラルネットワーク(GNN)に基づく既存のアプローチは大きな進歩を遂げているが、構造バイアスの低減、一般化能力の向上、モデルの解釈可能性の向上には課題が残っている。 これらの制約に対処するために,分子構造の特徴と細胞線ゲノムプロファイルを薬物と薬物の相互作用と統合し,相乗効果の予測を強化する協調予測グラフニューラルネットワークを提案する。 本稿ではアテンション機構(ResGIN-Att)と統合されたResidual Graph Isomorphism Networkという新しいモデルを提案する。 モデルではまず、残留グラフ同型ネットワークを用いて、薬物分子のマルチスケールなトポロジ的特徴を抽出する。 その後、適応長短期メモリ(LSTM)モジュールは、ローカルからグローバルスケールへの構造情報を融合する。 最後に、クロスアテンションモジュールは、薬物と薬物の相互作用を明示的にモデル化し、重要な化学的サブ構造を特定するように設計されている。 5つの公開ベンチマークデータセットに対する大規模な実験により、ResGIN-Attは、有望な一般化能力とロバスト性を示しながら、主要なベースラインメソッドと好意的に比較して、競争的なパフォーマンスを達成することが示された。

関連論文リスト

• Addressing Model Overcomplexity in Drug-Drug Interaction Prediction With Molecular Fingerprints [0.0]
  薬物と薬物の相互作用(DDI)の正確な予測は、医薬品研究と臨床安全性に不可欠である。 最近のディープラーニングモデルは、しばしば高い計算コストとデータセット間の限定的な一般化に悩まされる。 本研究では,Morgan fingerprints (S), graph-based embeddings from graph convolutional network (GCNs), transformer- derived embeddings from MoLFormer integrated into a straight neural network。
  論文  参考訳（メタデータ） (2025-03-30T18:27:01Z)
• A deep graph model for the signed interaction prediction in biological network [1.03121181235382]
  生物学的ネットワークにおける署名された相互作用の予測は、薬物のメカニズムを理解し、薬物の再利用を促進するために重要である。 textbfRGCNTDは、極性(活性化、阻害など)と非極性(結合、影響など)の両方を予測できるように設計されている。 我々は,新たな評価指標である textitAUCtextsubscriptpolarity と textitCP@500 を導入し,相互作用型を識別するモデルの能力を評価する。
  論文  参考訳（メタデータ） (2024-07-10T04:28:21Z)
• 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)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Interpreting the Mechanism of Synergism for Drug Combinations Using Attention-Based Hierarchical Graph Pooling [10.898133007285638]
  我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。 提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
  論文  参考訳（メタデータ） (2022-09-19T11:18:45Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• 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)

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。