Fugu-MT 論文翻訳(概要): From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation

論文の概要: From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation

arxiv url: http://arxiv.org/abs/2605.27861v1
Date: Wed, 27 May 2026 02:22:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-28 17:38:55.692183
Title: From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation
Title（参考訳）: 検出からメカニズム:薬物と薬物の相互作用型予測を可能にするクロスアテンショングラフニューラルネットワーク : アセチルサリチル酸バリデーションを用いたアブレーション研究
Authors: Juergen Dietrich,
Abstract要約: 本研究では,薬物・薬物相互作用(DDI)予測のための3つのグラフニューラルネットワーク(GNN)アーキテクチャの体系的アブレーション研究について述べる。 3つのアーキテクチャは、同じトレーニング条件下で比較される。 CrossAttはマルチクラスF1マクロをConcat上で+0.186絶対(+45%)改善し、バイナリAUCを+0.012(+1.3%)改善した。第三次アーキテクチャは、同等のトレーニングデータにもかかわらず、その失敗はトレーニング不安定性の仮説と一致しているにもかかわらず、パフォーマンスが劣る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting whether two drugs interact (binary detection) is a substantially dif- ferent task from predicting the mechanism type of that interaction (multi-class classification). This study presents a systematic ablation study of three Graph Neural Network (GNN) architectures for drug-drug interaction (DDI) prediction on a publicly available benchmark dataset comprising 38,337 positive pairs across 86 interaction types. Three architectures are compared under identical training conditions (n = 61,339 pairs): a siamese dual Message Passing Neural Network (MPNN) with concatenation (Concat), a dual MPNN with four-head cross-attention (CrossAtt), and a ternary MPNN incorporating an interaction graph (Ternary). CrossAtt improves multi-class F1-macro by +0.186 absolute (+45%) over Concat, while improving binary AUC by only +0.012 (+1.3%) - confirming that atom-level inter-molecular communication specifically enables mechanism-type classification. The ternary architecture underperforms despite equivalent training data, with its failure consistent with a training instability hypothesis. Validation on ten acetylsali- cylic acid (ASA) drug pairs, held out prior to training, demonstrates 10/10 correct DDI-type predictions for CrossAtt versus 0/10 for Ternary. Two consistent failure cases are identified across all architectures, linking to structural limits established in a companion toxicity study.
Abstract（参考訳）: 2つの薬物が相互作用するかどうかを予測(バイナリ検出)することは、その相互作用のメカニズムのタイプを予測する(マルチクラス分類)ことで、実質的に薄れがちなタスクである。本研究では,薬物と薬物の相互作用(DDI)予測のための3つのグラフニューラルネットワーク(GNN)アーキテクチャを,86の相互作用型に対して38,337対の正のペアからなる公開ベンチマークデータセット上で,体系的アブレーション研究を行った。 3つのアーキテクチャは、同一のトレーニング条件(n = 61,339ペア)で比較される: 結合(Concat)を持つシアム二重メッセージパッシングニューラルネットワーク(MPNN)、四頭クロスアテンション(CrossAtt)を持つ2つのMPNN、相互作用グラフ(Ternary)を組み込んだ3つのMPNN。 CrossAttはマルチクラスF1マクロをConcat上で+0.186絶対(+45%)改善し、バイナリAUCを+0.012(+1.3%)改善し、原子レベルの分子間通信が特に機構型分類を可能にすることを確認した。 3次アーキテクチャは、同等のトレーニングデータにもかかわらず、その失敗はトレーニング不安定性の仮説と一致しているにもかかわらず、パフォーマンスが劣る。トレーニング前の10種類のアセチルサリ-シリル酸 (ASA) 薬物対の妥当性は、CrossAttの10/10の正確なDDI型予測と第3次研究の0/10の精度を示す。すべてのアーキテクチャで2つの一貫した障害ケースが特定され、関連する毒性研究で確立された構造的限界にリンクする。

関連論文リスト

Drug Synergy Prediction via Residual Graph Isomorphism Networks and Attention Mechanisms [3.073484266148604]
Intention Mechanism(ResGIN-Att)と統合されたResidual Graph Isomorphism Networkと呼ばれる新しいモデルを導入する。このモデルは、まず、残留グラフ同型ネットワークを用いて、薬物分子のマルチスケールトポロジカルな特徴を抽出し、残留結合が深層での過剰な平滑化を緩和する。その後、適応長短期記憶(LSTM)モジュールは、局所からグローバルスケールまでの構造情報を融合する。最後に、クロスアテンションモジュールは、薬物と薬物の相互作用を明示的にモデル化し、重要な化学的サブ構造を特定するように設計されている。
論文参考訳（メタデータ） (2026-04-23T09:31:51Z)
Multi-Objective Reinforcement Learning for Generating Covalent Inhibitor Candidates [0.0]
共役阻害剤候補を生成するための機械学習パイプラインを提案する。上皮成長因子受容体(EGFR)とアセチルコリンエステラーゼ(ACHE)の2つの標的に適用される。パイプライン再粘着剤は1万構造ランで最大0.50%(EGFR)と0.74%(ACHE)の割合で共有結合阻害剤として知られている。
論文参考訳（メタデータ） (2026-04-21T21:54:53Z)
Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning [0.015229507502478598]
本稿では, 分子グラフ, タンパク質言語モデル, および相互作用モデリングを改善するための結合部位予測から, マルチモーダル埋め込みを統合する, 対照的な学習フレームワークを提案する。本研究は,マルチモーダル情報を比較対象に組み込むことにより,対話予測精度を高め,仮想スクリーニング分割に対してより解釈可能で信頼性の高いモデルを提供することの利点を強調した。
論文参考訳（メタデータ） (2026-01-09T13:39:49Z)
MMM: Quantum-Chemical Molecular Representation Learning for Combinatorial Drug Recommendation [5.017879531498458]
共同処方薬間の薬物・薬物相互作用(DDI)は依然として重要な課題である。分子電子局在関数(ELF)マップ(MMM)を用いたマルチモーダルDDI予測を提案する。 MMMは、グローバル電子特性を符号化するELFに由来する特徴と、局所的なサブ構造相互作用をモデル化する二部グラフエンコーダを組み合わせる。以上の結果から,ALFをベースとした3D表現の予測精度の向上と,臨床実践における薬剤処方の安全性向上が示唆された。
論文参考訳（メタデータ） (2025-10-09T08:03:14Z)
Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文参考訳（メタデータ） (2025-07-22T04:35:50Z)
HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
論文参考訳（メタデータ） (2025-04-02T06:46:28Z)
A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文参考訳（メタデータ） (2024-05-23T13:25:20Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。