論文の概要: Cross-Domain Molecular Relational Learning: Leveraging Chemical Structure-Activity Analysis
- arxiv url: http://arxiv.org/abs/2605.16799v1
- Date: Sat, 16 May 2026 04:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.33792
- Title: Cross-Domain Molecular Relational Learning: Leveraging Chemical Structure-Activity Analysis
- Title（参考訳）: 分子間関係学習 : 化学構造-活性分析の活用
- Authors: Peiliang Zhang, Jingling Yuan, Shiqing Wu, Mengqing Hu, Chao Che, Yongjun Zhu, Lin Li,
- Abstract要約: 分子構造と視覚像のドメイン間適応表現を最適化する。
DisTransは16のベースライン法より優れており、ドメイン間の相違が顕著である場合でも良好な性能を維持している。
- 参考スコア（独自算出の注目度）: 17.5964540840136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in molecular representation integrates molecular topological and visual modalities, opening new avenues for precise Molecular Relational Learning (MRL). Existing MRL methods focus on intra-domain modeling, and their inherent domain-closed effect limits applicability to molecular science, particularly in elucidating cross-domain interaction mechanisms. Consequently, the imperative for Cross-Domain Molecular Relational Learning has become increasingly pressing. Benefiting from structure-activity analysis, we propose the Domain Adversarial Training Network with Structural-Semantic Transfer Discrepancy (DisTrans) to optimize cross-domain adaptive representation for molecular structures and visual images. 1) We employ the gradient reversal strategy based on substructure topological discrepancies between domains to learn the domain dependence of molecular structures. This strategy guides the model to adapt to the structural adjacency patterns in the target domain, generating domain-separable structural representations. 2) We apply the cross-domain representation guidance mechanism to align the functional-group semantic information between the source and target domains, learning cross-domain consistency information. The experimental results in two typical cross-domain strategies demonstrate that DisTrans outperforms 16 baseline methods, maintaining satisfactory performance even under pronounced inter-domain discrepancy.
- Abstract（参考訳）: 分子表現の最近の進歩は、分子トポロジカルおよび視覚的モダリティを統合し、正確な分子関係学習(MRL)のための新しい道を開く。
既存のMRL法はドメイン内モデリングに重点を置いており、その固有のドメイン閉鎖効果は分子科学、特にドメイン間相互作用機構の解明に適用可能である。
その結果,クロスドメイン分子関係学習の推進力はますます強まりつつある。
本研究では,分子構造と視覚画像のドメイン間適応表現を最適化するために,構造-意味伝達離散性(DisTrans)を備えたドメイン適応学習ネットワークを提案する。
1) 分子構造の領域依存性を学習するために, ドメイン間の部分構造的トポロジ的相違に基づく勾配反転戦略を用いる。
この戦略は、モデルが対象ドメインの構造的隣接パターンに適応するように誘導し、ドメイン分離可能な構造的表現を生成する。
2) クロスドメイン表現誘導機構を適用し, ソースとターゲットドメイン間の機能グループ意味情報を整合させ, クロスドメイン整合性情報を学習する。
2つの典型的なクロスドメイン戦略による実験結果は、DisTransが16のベースライン法より優れており、ドメイン間差が顕著である場合でも良好な性能を維持していることを示している。
関連論文リスト
- 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) - Free Lunch to Meet the Gap: Intermediate Domain Reconstruction for Cross-Domain Few-Shot Learning [20.048013939398484]
クロスドメインのFew-Shot Learningは、ソースドメインからターゲットドメインに一般化された知識を転送する試みである。
我々は、コードブックとしてソース機能を組み込んだ中間ドメインプロキシ(IDP)を構築するための新しい試みを行っている。
本研究では,これらのプロキシをターゲット領域の特徴変換の学習指導として利用する高速なドメインアライメント手法を開発した。
論文 参考訳（メタデータ） (2025-11-18T09:14:06Z) - 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) - Multi-Modal Molecular Representation Learning via Structure Awareness [19.813872931221546]
構造認識に基づくマルチモーダル自己制御分子表現事前学習フレームワーク(MMSA)を提案する。
MMSAは分子間の不変知識を活用することにより、分子グラフ表現を強化する。
MoleculeNetベンチマークで最先端のパフォーマンスを実現しており、平均的なROC-AUC改善はベースラインメソッドよりも1.8%から9.6%まで改善されている。
論文 参考訳（メタデータ） (2025-05-09T08:37:29Z) - Representational Alignment with Chemical Induced Fit for Molecular Relational Learning [8.210187365702119]
分子学習学習(MRL)は自然科学において、構造的特徴を抽出することによって分子対間の予測に広く応用されている。
注意機構による部分構造表現の整合性は 化学知識からのガイダンスを欠いている
ReAlignFitは化学誘起Fit誘導誘導バイアスを導入することでMRLのサブ構造表現を動的に調整する。
論文 参考訳（メタデータ） (2025-02-07T09:29:21Z) - Meta-causal Learning for Single Domain Generalization [102.53303707563612]
単一ドメインの一般化は、単一のトレーニングドメイン(ソースドメイン)からモデルを学び、それを複数の未確認テストドメイン(ターゲットドメイン)に適用することを目的としている。
既存の方法は、ターゲットドメインをカバーするためのトレーニングドメインの配布拡大に重点を置いているが、ソースとターゲットドメイン間のドメインシフトを見積もることはできない。
そこで本研究では,まず,対象ドメインとして補助ドメインを構築することによってドメインシフトをシミュレートし,ドメインシフトの原因を解析し,最終的にモデル適応のためのドメインシフトを低減する,新たな学習パラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-07T15:46:38Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z) - Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
ドメイン固有の表現からドメイン不変表現を取り除こうとする。
実験では,本手法を単目的,複目的のケースで評価した。
論文 参考訳（メタデータ） (2021-08-15T07:58:59Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳（メタデータ） (2020-12-15T11:36:21Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。