論文の概要: AIM-DDI: A Model-Agnostic Multimodal Integration Module for Drug-Drug Interaction Prediction
- arxiv url: http://arxiv.org/abs/2605.14327v1
- Date: Thu, 14 May 2026 03:42:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.608219
- Title: AIM-DDI: A Model-Agnostic Multimodal Integration Module for Drug-Drug Interaction Prediction
- Title（参考訳）: AIM-DDI:ドラッグ・ドラッグ相互作用予測のためのモデル非依存型マルチモーダル統合モジュール
- Authors: Yerin Park, Sangseon Lee,
- Abstract要約: AIM-DDIはアーキテクチャに依存しないマルチモーダル統合モジュールで、異質なモダリティ情報を共有潜在空間のトークンとして表現する。
AIM-DDIは、統一された融合モジュールを通じてモダリティトークン間の依存関係をモデル化することにより、構造的、化学的、意味的な薬物信号のモデルに依存しない統合を可能にする。
- 参考スコア（独自算出の注目度）: 3.731289189298451
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drug-drug interaction (DDI) prediction is a critical task in computational biomedicine, as adverse interactions between co-administered drugs can cause severe side effects and clinical risks. A key challenge is unseen-drug generalization, where interactions must be predicted for drugs not observed during training. Although multimodal DDI models exploit diverse drug-related information, their fusion mechanisms are often tied to specific prediction architectures, limiting their reuse across models. To address this, we propose AIM-DDI, an architecture-independent multimodal integration module that represents heterogeneous modality information as tokens in a shared latent space. By modeling dependencies across modality tokens through a unified fusion module, AIM-DDI enables model-agnostic integration of structural, chemical, and semantic drug signals across different DDI prediction architectures. Extensive evaluations across diverse DDI models and DrugBank-based settings show that AIM-DDI consistently improves prediction performance, with the strongest gains under the most challenging both-unseen setting where neither drug in a test pair is observed during training. These results suggest that treating multimodal integration as a reusable module, rather than a model-specific fusion component, is an effective strategy for robust unseen-drug DDI prediction.
- Abstract（参考訳）: 薬物・薬物相互作用(DDI)予測は、共同投与された薬物間の副作用が重篤な副作用や臨床リスクを引き起こすため、計算バイオメディシンにおいて重要な課題である。
重要な課題は、トレーニング中に観察されない薬物に対する相互作用を予測する、見えない薬物の一般化である。
マルチモーダルDDIモデルは様々な薬物関連情報を利用するが、それらの融合機構は特定の予測アーキテクチャと結びついており、モデル全体の再利用を制限している。
そこで本研究では,アーキテクチャに依存しないマルチモーダル統合モジュールであるAIM-DDIを提案する。
AIM-DDIは、統一された融合モジュールを通じてモダリティトークン間の依存関係をモデル化することにより、異なるDDI予測アーキテクチャをまたいだ構造的、化学的、意味的な薬物信号のモデルに依存しない統合を可能にする。
多様なDDIモデルとDrarmBankベースの設定による広範囲な評価は、AIM-DDIがトレーニング中にテストペア内の薬が観察されない最も困難な両目環境で、予測性能を一貫して改善していることを示している。
これらの結果は, モデル固有の融合成分ではなく, 再利用可能なモジュールとして, マルチモーダル統合を扱うことが, 堅牢で目立たないDDI予測に有効な戦略であることを示唆している。
関連論文リスト
- Rethinking Drug-Drug Interaction Modeling as Generalizable Relation Learning [14.217488560342135]
薬物と薬物の相互作用(DDI)の予測は、薬物の発見と臨床開発の中心である。
我々は、関係中心学習問題としてDDI予測を再構成する関係中心学習フレームワークGenRel-DDIを提案する。
実験の結果、GenRel-DDIは一貫して、最先端の手法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-01-22T09:00:30Z) - MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction [10.392084347375963]
薬物の組み合わせは治療効果を提供するが、有害薬物・薬物相互作用(DDI)のリスクも伴う
本研究は,薬物と薬物の相互作用ネットワークをマイニングし分析するグラフベースの手法を開発することにより,Web Mining and Content Analysisに寄与する。
論文 参考訳（メタデータ） (2025-10-23T11:33:16Z) - MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである
MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。
MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
論文 参考訳（メタデータ） (2024-11-23T05:38:36Z) - RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。
一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2024-08-27T17:13:56Z) - Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳（メタデータ） (2024-03-13T09:42:46Z) - Decision Support System for Chronic Diseases Based on Drug-Drug
Interactions [67.9840225237587]
本稿では,医師の意思決定を支援するための薬物と薬物の相互作用に基づくDSSDDIと呼ばれる意思決定支援システムを提案する。
DDIモジュールは、薬物と薬物の相互作用からより安全で効果的な薬物表現を学習する。
MDモジュールは、患者と薬物の表現を文脈として、DDIと患者の類似性を治療として、薬物の使用を結果として考える。
論文 参考訳（メタデータ） (2023-03-04T12:44:38Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳（メタデータ） (2022-06-20T14:53:25Z) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳（メタデータ） (2022-03-28T05:44:29Z) - Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental
Systems with Applications to Epidemiological and Additive Manufacturing
Problems [58.720142291102135]
非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。
特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
論文 参考訳（メタデータ） (2021-10-12T21:42:14Z) - AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug
interaction predictions [0.9176056742068811]
薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。
大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。
本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
論文 参考訳（メタデータ） (2020-12-24T13:33:07Z)
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。