論文の概要: A Triple-Modal Contrastive Learning Framework with Sequence, Graph, and 3D Features for Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2605.29926v1
• Date: Thu, 28 May 2026 13:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.354407
• Title: A Triple-Modal Contrastive Learning Framework with Sequence, Graph, and 3D Features for Drug-Target Interaction Prediction
• Title（参考訳）: 薬物・標的相互作用予測のためのシーケンス, グラフ, 3次元特徴を有する3つのモーダル・コントラスト学習フレームワーク
• Authors: Le Xu, Xi Zhang, Dan Luo, Ting Wang, Xuan Lin,
• Abstract要約: TriMod-DTIは3重モードのコントラスト学習フレームワークで、1D配列、2Dグラフ、薬物やタンパク質の3D構造を組み込む。 3つのベンチマークデータセットの実験は、TriMod-DTIが最先端の手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 20.517207590295587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of drug-target interactions (DTI) is critical for drug discovery. Existing methods often rely on single-modal representations (e.g., sequences or graphs) or combine only two modalities, overlooking 3D structural features. To address this challenge, we propose TriMod-DTI, a triple-modal contrastive learning framework that incorporates 1D sequences, 2D graphs, and 3D structures of drugs and proteins, obtaining the universal and complementary feature representations for DTI prediction. We design a Feature Extractor to capture drug and target features across the three modalities, thereby enriching their representations. We further propose a triple-modal contrastive learning strategy to align different modal representations of the same drug or protein in the latent space. By constructing cross-modal positive and negative sample pairs, this approach enhances the model's discriminative ability. Experiments on three benchmark datasets demonstrate that TriMod-DTI outperforms state-of-the-art methods. The ablation studies validate the contributions of each modality. Moreover, case studies highlight its practical potential for DTI prediction and drug discovery.
• Abstract（参考訳）: 薬物-標的相互作用(DTI)の正確な予測は、薬物発見に重要である。 既存の手法は、単一のモーダル表現(例えば、シーケンスやグラフ)に頼り、あるいは2つのモーダルのみを組み合わせ、3次元構造的特徴を見渡す。 この課題に対処するために、DTI予測のための普遍的かつ補完的な特徴表現を得るために、1Dシーケンス、2Dグラフ、および薬物およびタンパク質の3D構造を組み込んだ3つのモードのコントラスト学習フレームワークであるTriMod-DTIを提案する。 我々は,3つのモダリティにまたがる薬物や標的の特徴を捉える機能エクストラクタを設計し,その表現を豊かにする。 さらに, 潜在空間における同一の薬物やタンパク質の異なるモーダル表現を整合させる3つのモーダルコントラスト学習戦略を提案する。 クロスモーダルな正と負のサンプルペアを構築することにより、このアプローチはモデルの識別能力を高める。 3つのベンチマークデータセットの実験は、TriMod-DTIが最先端の手法より優れていることを示した。 アブレーション研究は、各モダリティの寄与を検証する。 さらに、ケーススタディでは、DTI予測と薬物発見の実用的な可能性を強調している。

関連論文リスト

• SCOPE-DTI: Semi-Inductive Dataset Construction and Framework Optimization for Practical Usability Enhancement in Deep Learning-Based Drug Target Interaction Prediction [15.996998422919111]
  SCOPE-DTIは、大規模でバランスの取れたセミインダクティブなDTIデータセットと高度なディープラーニングモデリングを組み合わせた統合フレームワークである。 SCOPEデータセットは、Humanデータセットのような一般的なベンチマークと比較して、データボリュームを最大100倍に拡張する。 包括的なデータ、高度なモデリング、およびアクセス可能なツールを提供することで、SCOPE-DTIは薬物発見の研究を加速する。
  論文  参考訳（メタデータ） (2025-03-12T10:46:25Z)
• 3DMolFormer: A Dual-channel Framework for Structure-based Drug Discovery [17.78777622199143]
  3DMolFormerはドッキングと3Dドラッグデザインの両方に応用できる統合デュアルチャネルトランスフォーマーベースのフレームワークである。 離散トークンと連続数値の並列シーケンスを用いて3次元ポケットリガンド錯体を表現し、これに対応する2チャネルトランスモデルを設計する。 実験の結果,3DMolFormerはタンパク質リガンドドッキングとポケット型3Dドラッグの設計において,従来のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2025-02-07T17:28:10Z)
• A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
  本稿では,2次元監視のみを用いた3次元画像調和拡散モデルの学習フレームワークを提案する。 既存の3D生成モデルは、大規模な3Dデータセットが不足しているため、完全に3Dの監視に依存している。
  論文  参考訳（メタデータ） (2024-12-01T00:29:57Z)
• MM-Mixing: Multi-Modal Mixing Alignment for 3D Understanding [64.65145700121442]
  MM-Mixingは3次元理解のためのマルチモーダルミキシングアライメントフレームワークである。 提案する2段階学習パイプラインは,特徴レベルと入力レベルを混合して3Dエンコーダを最適化する。 MM-Mixingは,様々な学習シナリオにおけるベースライン性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-05-28T18:44:15Z)
• OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
  OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。 コードと事前訓練されたモデルは、後にリリースされる。
  論文  参考訳（メタデータ） (2024-03-28T17:05:04Z)
• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• Unified Molecular Modeling via Modality Blending [35.16755562674055]
  我々は,新しい「Blund-then-predict」自己教師型学習法(MoleBLEND)を導入する。 MoleBLENDは、異なるモジュラリティからの原子関係をマトリックス符号化のための1つの統一された関係にブレンドし、2D構造と3D構造の両方のモダリティ固有情報を復元する。 実験によると、MoleBLENDは主要な2D/3Dベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-07-12T15:27:06Z)
• Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
  DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。 実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-10T07:06:36Z)

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。