論文の概要: Training distribution determines the ceiling of drug-blind cancer sensitivity prediction

• arxiv url: http://arxiv.org/abs/2605.20885v1
• Date: Wed, 20 May 2026 08:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.570076
• Title: Training distribution determines the ceiling of drug-blind cancer sensitivity prediction
• Title（参考訳）: 訓練分布は、薬物盲検がん感受性予測の天井を決定する
• Authors: Taekyung Heo,
• Abstract要約: 精密腫瘍学では、どの薬が特定の腫瘍をその分子プロファイルから抑制するかを予測する必要がある。 薬物表現の複雑化にもかかわらず,薬の盲目感受性の予測は低下している。
• 参考スコア（独自算出の注目度）: 0.304585143845864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision oncology requires predicting which drugs will suppress a specific tumor from its molecular profile, but drug-blind sensitivity prediction has plateaued despite increasingly complex drug representations. Here we show that this stagnation reflects a metric artifact rather than a representational bottleneck. The standard benchmark, global Pearson r, is dominated by between-drug potency differences that a trivial drug-mean predictor captures without any cell-specific learning. Per-drug Pearson r, which isolates within-drug cell ranking, reveals that no drug encoding improves over cell-only features across four independent datasets. A controlled experiment channeling mechanism-of-action identity as either a drug feature or a training-distribution constraint identifies the cause. Supplying MoA as a feature yields negligible benefit, whereas using it to stratify training raises per-drug r substantially for targeted kinase inhibitors, because pan-cancer co-training suppresses pathway-specific sensitivity signals. Mechanism-stratified training and response matching from pilot observations provide two deployable strategies that together recover the principal sources of predictive gain in drug-blind sensitivity prediction.
• Abstract（参考訳）: 精密腫瘍学では、その分子プロファイルから特定の腫瘍をどの薬が抑制するかを予測する必要があるが、複雑な薬物表現が増加するにもかかわらず、薬の盲検感受性の予測は低下している。 ここでは、この停滞は、表現的ボトルネックというよりも、メートル法的な成果を反映していることを示す。 標準的なベンチマークであるGlobal Pearson rは、細胞特異的な学習なしに、自明なドラッグ平均予測器が捕捉する薬効の差に支配されている。 薬剤ごとのピアソンrは、薬物のコード化が4つの独立したデータセットで細胞のみの特徴よりも改善されることは明らかである。 薬物の特徴または訓練分布制約としての制御されたチャネル機構の同一性は、その原因を特定する。 機能としてのMoAの供給は無視できる利益をもたらすが、訓練を成層化するために使用すると、パン・カンサー・コトレーニングは経路特異的感受性シグナルを抑制するため、標的キナーゼインヒビターに対する薬剤当たりrが実質的に上昇する。 パイロット観測によるメカニズム階層化トレーニングと応答マッチングは、2つの展開可能な戦略を提供する。

関連論文リスト

• LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction [6.065808462922399]
  既存の手法は、現実的なコールドスタートシナリオにおいて大きなパフォーマンス劣化に悩まされる。 堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。
  論文  参考訳（メタデータ） (2026-03-16T03:46:51Z)
• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• Dual-Pathway Fusion of EHRs and Knowledge Graphs for Predicting Unseen Drug-Drug Interactions [5.481037938702276]
  薬物と薬物の相互作用(DDI)は予防可能な害の主要な原因である。 我々は,患者レベル EHR の文脈に基づいて,KG 関係のスコアリングを条件付ける最初のシステムを紹介した。 融合"Teacher"は、両方のソースに表される薬物対のメカニズム固有の関係を学習する。 蒸留された「Student」は、推論時にKGアクセスのない新規または稀に使用される薬物に一般化する。
  論文  参考訳（メタデータ） (2025-11-10T03:18:16Z)
• GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
  薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。 我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-11-03T03:17:09Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [8.664433151000255]
  drGTは、注意係数(AC)を用いたバイオマーカー識別の感度と支援を予測するグラフ深層学習モデルである このモデルは、Sanger GDSC、NCI60、Broad CTRPという、幅広い薬物やがん細胞株をカバーする主要なベンチマークデータセットを使用して、トレーニングされ、評価されている。
  論文  参考訳（メタデータ） (2024-05-14T22:16:52Z)
• 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)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules [12.041672273431994]
  薬物分子のBBB透過能の評価は、脳薬物開発における重要なステップである。 関連グラフ畳み込みネットワーク(RGCN)を用いて,各薬剤の特徴だけでなく,薬物とタンパク質の関係も扱う。 この性能はすでに有望であり、BBB透過性の予測において、薬物-タンパク質/ドラッグ関係が重要な役割を担っていることを証明した。
  論文  参考訳（メタデータ） (2021-07-04T15:56:02Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。