論文の概要: h-MINT: Modeling Pocket-Ligand Binding with Hierarchical Molecular Interaction Network

• arxiv url: http://arxiv.org/abs/2604.23134v1
• Date: Sat, 25 Apr 2026 04:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.173205
• Title: h-MINT: Modeling Pocket-Ligand Binding with Hierarchical Molecular Interaction Network
• Title（参考訳）: h-MINT:階層的分子相互作用ネットワークを用いたポケットリガンド結合のモデル化
• Authors: Yanru Qu, Yijie Zhang, Wenjuan Tan, Xiangzhe Kong, Xiangxin Zhou, Chaoran Cheng, Mathieu Blanchette, Jiaxuan You, Ge Liu,
• Abstract要約: 本稿では,新しいデータ駆動型分子トークン化法を提案する。 既存手法とは異なり,本手法では,小分子サブ構造のファジィ境界を反映して,重複するフラグメントを許容する。 我々は,原子レベルとフラグメントレベルでの相互作用を共同でモデル化できる階層的分子相互作用ネットワークを開発した。
• 参考スコア（独自算出の注目度）: 39.785587774740314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate molecular representations are critical for drug discovery, and a central challenge lies in capturing the chemical environment of molecular fragments, as key interactions, such as H-bond and π stacking, occur only under specific local conditions. Most existing approaches represent molecules as atom-level graphs; however, atom-level representations can hardly express higher-order chemical context (e.g., stereochemistry, lone pairs, conjugation). Fragment-based methods (e.g., principal subgraph, predefined functional groups) fail to preserve essential information such as chirality, aromaticity, and ionic states. This work addresses these limitations from two aspects. (i) OverlapBPE tokenization. We propose a novel data-driven molecule tokenization method. Unlike existing approaches, our method allows overlapping fragments, reflecting the inherently fuzzy boundaries of small-molecule substructures and, together with enriched chemical information at the token level, thereby preserving a more complete chemical context. (ii) h-MINT model. OverlapBPE induces many-to-many atom-fragment mappings, which necessitate a new hierarchical architecture. We therefore develop a hierarchical molecular interaction network capable of jointly modeling interactions at both atom and fragment levels. By supporting fragment overlaps, the model naturally accommodates the many-to-many atom-fragment mappings introduced by the OverlapBPE scheme. Extensive evaluation against state-of-the-art methods shows our method improves binding affinity prediction by 2-4% Pearson/Spearman correlation on PDBBind and LBA, enhances virtual screening by 1-3% in key metrics on DUD-E and LIT-PCBA, and achieves the best overall HTS performance on PubChem assays. Further analysis demonstrates that our method effectively captures interactive information while maintaining good generalization.
• Abstract（参考訳）: 正確な分子表現は薬物発見に不可欠であり、H結合やπ積層のような重要な相互作用は特定の局所的な条件下でのみ起こるため、分子断片の化学的環境を捉えることが中心的な課題である。 既存のほとんどのアプローチは分子を原子レベルのグラフとして表現するが、原子レベルの表現は高次化学文脈(例えば、立体化学、孤立対、共役)をほとんど表現できない。 フラグメントに基づく方法(例えば、主部分グラフ、事前定義された官能基)は、キラル性、芳香族性、イオン状態などの必須情報を保存できない。 この仕事は2つの側面からこれらの制限に対処する。 (i)OverlapBPEトークン化 本稿では,新しいデータ駆動型分子トークン化法を提案する。 既存手法と異なり,本手法では,小分子サブ構造のファジィ境界を反映したフラグメントの重畳が可能であり,トークンレベルでの化学情報も充実し,より完全な化学状況を保存することができる。 (ii)h-MINTモデル。 OverlapBPEは、新しい階層アーキテクチャを必要とする、多対多の原子フラグメントマッピングを誘導する。 そこで我々は,原子レベルでの相互作用とフラグメントレベルでの相互作用を共同でモデル化できる階層的分子相互作用ネットワークを開発した。 フラグメントオーバーラップをサポートすることにより、OverlapBPEスキームによって導入された多対多の原子フラグメントマッピングを自然に許容する。 PDBBind と LBA では Pearson/Spearman 相関が 2-4% 向上し,DUD-E と LIT-PCBA では仮想スクリーニングが 1-3% 向上した。 さらに解析により,優れた一般化を維持しつつ,対話的な情報を効果的に捕捉できることが示される。

関連論文リスト

• Enhancing Molecular Property Predictions by Learning from Bond Modelling and Interactions [18.371474900925865]
  原子中心表現学習のためのデュアルグラフフレームワークである textbfDeMol を紹介する。 DeMolは、並列原子中心および結合中心チャネルを通じて分子を明示的にモデル化する。 既存のメソッドよりも優れた、最先端の新たな方法を確立します。
  論文  参考訳（メタデータ） (2026-02-28T09:36:19Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery [7.338199946027998]
  本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。 このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。 5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-17T07:12:12Z)
• Adapting Differential Molecular Representation with Hierarchical Prompts for Multi-label Property Prediction [2.344198904343022]
  HiPMは階層的に誘導される分子表現学習フレームワークである。 私たちのフレームワークは、分子表現(MRE)とタスク認識プロンプタ(TAP)の2つのコアコンポーネントで構成されています。
  論文  参考訳（メタデータ） (2024-05-29T03:10:21Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)

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。