論文の概要: HBGSA: Hydrogen Bond Graph with Self-Attention for Drug-Target Binding Affinity Prediction

• arxiv url: http://arxiv.org/abs/2604.23115v1
• Date: Sat, 25 Apr 2026 02:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.165027
• Title: HBGSA: Hydrogen Bond Graph with Self-Attention for Drug-Target Binding Affinity Prediction
• Title（参考訳）: HBGSA:薬物標的結合親和性予測のための自己注意型水素結合グラフ
• Authors: Junxiao Kong, Chupei Tang, Di Wang, Jixiu Zhai, Yi He, Moyu Tang, Tianchi Lu,
• Abstract要約: HBGSA(Hydrogen Bond Graph with Self-Attention)は、水素結合空間特性を符号化したグラフニューラルネットワークモデルである。 HBGSAはグラフニューラルネットワークを用いて、自己アテンション強化とピアソン相関損失を伴う水素結合空間トポロジーをモデル化する。
• 参考スコア（独自算出の注目度）: 7.010618905886754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of drug-target binding affinity accelerates drug discovery by prioritizing compounds for experimental validation. Current methods face three limitations: sequence-based approaches discard spatial geometric constraints, structure-based methods fail to exploit hydrogen bond features, and conventional loss functions neglect prediction-target correlation, a key factor for identifying high-affinity compounds in virtual screening. We developed HBGSA (Hydrogen Bond Graph with Self-Attention), a 3.06M-parameter model that encodes hydrogen bond spatial features. HBGSA uses graph neural networks to model hydrogen bond spatial topology with self-attention enhancement and Pearson correlation loss. Experimental results on PDBbind Core Set and CSAR-HiQ dataset demonstrate that HBGSA outperforms baseline methods with strong generalization capability. Ablation studies confirm the effectiveness of hydrogen bond modeling and Pearson correlation loss.
• Abstract（参考訳）: 薬物-標的結合親和性の正確な予測は、実験的な検証のために化合物の優先順位付けによる薬物発見を促進する。 現在の手法は3つの制限に直面している: シーケンスベースアプローチは空間幾何学的制約を捨て、構造ベース手法は水素結合の特徴を活用できず、従来の損失関数は仮想スクリーニングにおいて高親和性化合物を識別するための重要な要素である予測目標相関を無視している。 水素結合空間特性を符号化した3.06MパラメータモデルであるHBGSA(Hydrogen Bond Graph with Self-Attention)を開発した。 HBGSAはグラフニューラルネットワークを用いて、自己アテンション強化とピアソン相関損失を伴う水素結合空間トポロジーをモデル化する。 PDBbind Core SetとCSAR-HiQデータセットの実験結果は、HBGSAが強力な一般化能力を持つベースライン法より優れていることを示した。 アブレーション研究により水素結合モデリングとピアソン相関損失の有効性が確認された。

関連論文リスト

• Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study [0.0]
  分子指紋をパラメータ化ハミルトンに符号化する量子インスパイアされた特徴抽出法を提案する。 Therapeutic Data Commons (TDC) ADMETベンチマークにおいて,本手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-03-03T15:42:33Z)
• Learning to Align Molecules and Proteins: A Geometry-Aware Approach to Binding Affinity [0.0]
  FIRM-DTIは、機能的に線形な変調層を通じてタンパク質の埋め込みに分子の埋め込みを調節する軽量なフレームワークである。 埋め込み距離で動作するRBF回帰ヘッドは、滑らかで解釈可能な親和性予測をもたらす。 本研究は,ロバストな薬物親和性予測のための条件付けとメートル法学習の価値を裏付けるものである。
  論文  参考訳（メタデータ） (2025-09-25T02:55:24Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification [6.776003706755337]
  SOC-DGLは親和性を持つ薬物標的グラフを用いてグローバルな類似性を学習する。 バランス理論に基づく偶数多項式グラフフィルタを用いて、偶数ホップ近傍の影響を増幅することにより、高次類似性を捉える。 SOC-DGLは、バランスのとれたシナリオと不均衡なシナリオの両方で、既存の最先端メソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-02T08:00:24Z)
• HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
  本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。 予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。 ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2025-04-02T06:46:28Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• 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)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• 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。