論文の概要: Learning the Interaction Prior for Protein-Protein Interaction Prediction: A Model-Agnostic Approach

• arxiv url: http://arxiv.org/abs/2605.09964v2
• Date: Tue, 12 May 2026 06:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 18:21:07.044507
• Title: Learning the Interaction Prior for Protein-Protein Interaction Prediction: A Model-Agnostic Approach
• Title（参考訳）: タンパク質とタンパク質の相互作用予測に先立つ相互作用の学習:モデル非依存的アプローチ
• Authors: Ziqi Gao, Chenyi Zi, Zijing Liu, Ziqiao Meng, Yu Li, Jia Li,
• Abstract要約: タンパク質とタンパク質の相互作用(PPIs)は細胞機能と疾患機構の基礎である。 現在の学習ベースの予測器は、強力なタンパク質表現の学習に重点を置いている。 タンパク質表現に基づく仮想L3パスのプロンプトグラフを生成するL3-PPIと呼ばれるL3パス正規化グラフプロンプト学習法を提案する。
• 参考スコア（独自算出の注目度）: 24.706171860082648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein-protein interactions (PPIs) are fundamental to cellular function and disease mechanisms. Current learning-based PPI predictors focus on learning powerful protein representations but neglect designing specialized classification heads. They mainly rely on generic aggregating methods like concatenation or dot products, which lack biological insight. Motivated by the biological "L3 rule", where multiple length-3 paths between a pair of proteins indicate their interaction likelihood, our study addresses this gap by designing a biologically informed PPI classifier. In this paper, we provide empirical evidence that popular PPI datasets strongly support the L3 rule. We propose an L3-path-regularized graph prompt learning method called L3-PPI, which can generate a prompt graph with virtual L3 paths based on protein representations and controls the number of paths. L3-PPI reformulates the classification of protein embedding pairs into a graph-level classification task over the generated prompt graph. This lightweight module seamlessly integrates with PPI predictors as a plug-and-play component, injecting the interaction prior of complementarity to enhance performance. Extensive experiments show that L3-PPI achieves superior performance enhancements over advanced competitors.
• Abstract（参考訳）: タンパク質とタンパク質の相互作用(PPIs)は細胞機能と疾患機構の基礎である。 現在の学習ベースのPPI予測器は、強力なタンパク質表現の学習に重点を置いている。 それらは主に、生物的な洞察を欠く連結や点生成物のような一般的な凝集法に依存している。 1対のタンパク質間の複数長さ3経路が相互作用の可能性を示す生物学的な「L3ルール」により、本研究では、生物学的に情報を得たPPI分類器を設計することで、このギャップに対処する。 本稿では,一般的なPPIデータセットがL3ルールを強く支持することを示す実証的証拠を提供する。 本稿では,L3-PPIと呼ばれるL3-path-regularized graph prompt learning法を提案する。 L3-PPIは、タンパク質の埋め込みペアの分類を、生成されたプロンプトグラフ上でグラフレベルの分類タスクに再構成する。 この軽量モジュールは、PPI予測器をプラグアンドプレイコンポーネントとしてシームレスに統合し、相補性の前に相互作用を注入して性能を向上させる。 大規模な実験により、L3-PPIは先進的な競合よりも優れた性能向上を達成することが示された。

関連論文リスト

• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Beyond Simple Concatenation: Fairly Assessing PLM Architectures for Multi-Chain Protein-Protein Interactions Prediction [0.2509487459755192]
  タンパク質とタンパク質の相互作用 (PPIs) は、多くの細胞プロセスの基礎である。 PLMはタンパク質の構造と機能を予測するのに顕著な成功を収めた。 シークエンスベースのPPI結合親和性予測への応用は、いまだに未検討である。
  論文  参考訳（メタデータ） (2025-05-26T14:23:08Z)
• GraPPI: A Retrieve-Divide-Solve GraphRAG Framework for Large-scale Protein-protein Interaction Exploration [13.390039857939168]
  大規模言語モデル (LLM) と検索補助生成 (RAG) フレームワークは、薬物発見を加速している。 GraPPIは大規模知識グラフ(KG)ベースの検索分割型エージェントパイプラインRAGフレームワークであり、大規模PPI信号経路探索をサポートする。
  論文  参考訳（メタデータ） (2025-01-24T18:16:53Z)
• Long-context Protein Language Modeling Using Bidirectional Mamba with Shared Projection Layers [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで本研究では,選択的構造化状態空間モデルに基づく代替タンパク質であるBiMamba-Sに基づくLC-PLMを提案する。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Multimodal Pre-Training Model for Sequence-based Prediction of Protein-Protein Interaction [7.022012579173686]
  タンパク質モデルによる効果的な表現の学習は、タンパク質とタンパク質の相互作用において重要である。 PPIの事前学習モデルのほとんどは配列ベースであり、自然言語処理で使用される言語モデルをアミノ酸配列に導入している。 本稿では, 配列, 構造, 機能という3つのモーダル性を持つマルチモーダルタンパク質事前学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-09T10:21:52Z)

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。