論文の概要: Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects

• arxiv url: http://arxiv.org/abs/2605.31522v1
• Date: Fri, 29 May 2026 16:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.755599
• Title: Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects
• Title（参考訳）: Chem-PerturBridge:小分子摂動転写効果の調和コンペンジウム
• Abstract要約: Chem-PerturBridgeは、37k以上の化合物、136の細胞コンテキスト、1.25Mの転写サンプルからなる、調和したマルチデータセット資源である。 このリソースを使用して、データセット間での一致条件の一致を評価し、データセット内での一致を再現します。
• 参考スコア（独自算出の注目度）: 4.860649440823431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large perturbation models require training data encompassing chemical, cellular, and assay diversity. Current transcriptomic resources for small-molecule modeling, however, are fragmented across technologies, metadata conventions, controls, doses, and preprocessing pipelines. We introduce Chem-PerturBridge, a harmonized multi-dataset resource comprising over 37k compounds, 136 cellular contexts, and 1.25M transcriptomic samples across eight assay types, with standardized identifiers, metadata, and replicate-aware condition-level effects. We use the resource to evaluate matched-condition agreement across datasets and replicate agreement within datasets. Matched same-compound conditions generally show weak agreement in fine-grained logFC rankings and magnitudes across most dataset pairs, often falling below same-context different-compound baselines. In contrast, logFC direction agreement is substantially more stable and usually exceeds these baselines. We further evaluate Chem-PerturBridge as a pretraining resource for compound representation learning. Under a compound-held-out OP3 evaluation split, embeddings pretrained on Chem-PerturBridge improve over L1000-only embeddings, Morgan fingerprints, and the descriptor-free OP3 baseline across metrics. An extensive molecule-holdout evaluation across 11 datasets further shows that models trained on Chem-PerturBridge outperform or match those that are not. Chem-PerturBridge therefore supports both diagnostic evaluation of cross-dataset signature agreement and model-oriented reuse of heterogeneous perturbation transcriptomic data.
• Abstract（参考訳）: 大規模な摂動モデルは、化学、細胞、アッセイの多様性を含む訓練データを必要とする。 しかし、小さな分子モデリングのための現在の転写資源は、技術、メタデータ規則、制御、線量、前処理パイプラインで断片化されている。 我々はChem-PerturBridgeという,37k以上の化合物,136の細胞コンテキスト,および8つのアッセイタイプにまたがる1.25Mの転写サンプルからなる,標準化された識別子,メタデータ,複製認識条件レベルのエフェクトを含む,調和したマルチデータセットリソースを紹介した。 このリソースを使用して、データセット間での一致条件の一致を評価し、データセット内での一致を再現します。 一致した同種の条件は、通常、細粒度のlogFCランキングにおいて弱い一致を示し、ほとんどのデータセットペアで等級が一致し、しばしば同じコンテキストの異なる異なる同種の基準線より下降する。 対照的に、logFC方向合意はより安定であり、通常これらのベースラインを超えている。 さらに,Chem-PerturBridgeを複合表現学習のための事前学習資源として評価した。 複合保持型OP3評価分割の下で、Chem-PerturBridgeで事前訓練された埋め込みは、L1000のみの埋め込み、Morganの指紋、メトリクス間のディスクリプタフリーOP3ベースラインを改善した。 11のデータセットにわたる分子ホールドアウトの評価により、Chem-PerturBridgeでトレーニングされたモデルのパフォーマンスが、そうでないモデルよりも優れている、あるいは一致していることが示された。 したがって、Chem-PerturBridgeは、クロスデータセット署名契約の診断評価と、異種摂動転写データのモデル指向の再利用の両方をサポートしている。

関連論文リスト

• DegradeQuery: Counterfactual Tuple Pretraining for Context-Aware PROTAC Degradation Prediction [18.81893983662407]
  DegradeQueryはコンテキスト対応の予測フレームワークです。 ラベル消去レコードを事前学習信号に変換する。 公式の PROTAC-8K ベンチマークでは、DegradeQuery は受信者の特性曲線 0.9065 と精度 0.8500 の領域を達成している。
  論文  参考訳（メタデータ） (2026-08-11T07:25:41Z)
• Beyond Predictive Accuracy: A Reliability-Aware Audit of Molecular Representations for Human Olfaction [0.0]
  4つのクレームにまたがるヒトの嗅覚反応に対する分子表現の信頼性を考慮した評価法を提案する。 人間の3属性評価幾何学は、強さ、快適さ、親しみに基づくものであり、参加者の分割によって再現可能である。 MoLFormerは、RDKit-Morganの組み合わせベースライン以上の明確なインクリメンタルな予測値を、いずれの単一分子データセットにも提供しない。
  論文  参考訳（メタデータ） (2026-07-25T03:38:14Z)
• Generative Augmentation of Raman Spectra for Glioma Classification [0.0]
  クラス条件付き合成ラマンスペクトルを生成する条件変分オートエンコーダを開発した。 生成されたデータはTrain-on-Synthetic, Test-on-Real (TS/TR)およびTrain-on-Synthetic+Real, Test-on-Real (TSR/TR)設定で評価される。 リアルトレーニングデータを合成スペクトルで拡張することで、複数のモデルの分類性能が一貫して向上する。
  論文  参考訳（メタデータ） (2026-07-11T08:19:51Z)
• MSAlign: Aligning Molecule and Mass Spectra Foundation Models for Metabolite Identification [11.133897813950789]
  分子の集合が与えられたMS/MSスペクトルから代謝物の化学構造を復元することからなる分子検索タスクに対処する。 本稿では,表現アライメントとコントラスト学習に基づく最近のアプローチを包含する統合フレームワークを提案する。 MSAlignは実装が簡単で、トレーニングが速く、すべてのベンチマークで既存のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-05-19T12:19:35Z)
• A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
  分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。 この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。 ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
  論文  参考訳（メタデータ） (2026-04-17T15:16:33Z)
• Learning Continuous Solvent Effects from Transient Flow Data: A Graph Neural Network Benchmark on Catechol Rearrangement [0.0]
  この研究は、高スループットな過渡的フロー化学データセットである textbfCatechol Benchmarkを導入している。 化学環境への一般化を実証するため, 厳密な溶出・溶出プロトコルおよび溶出・溶出プロトコルによる各種アーキテクチャの評価を行った。 本稿では,グラフ注意ネットワーク(GAT)と差動反応フィンガープリント(DRFP)を統合し,混合認識符号化を学習するハイブリッドGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-22T16:19:01Z)
• Rep3Net: An Approach Exploiting Multimodal Representation for Molecular Bioactivity Prediction [0.8049701904919515]
  初期の薬物発見では、標的タンパク質に対する分子の生物活性予測が重要な役割を果たす。 本稿では,Rep3Netを提案する。Rep3Netは,記述子データだけでなく,空間情報や関係情報も含む統合型ディープラーニングアーキテクチャである。 本モデルにより,ポリ[ADP-リボース]ポリメラーゼ1データセット上での生物活性予測が得られた。
  論文  参考訳（メタデータ） (2025-11-29T15:39:48Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• 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)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• BAPULM: Binding Affinity Prediction using Language Models [7.136205674624813]
  本稿では,ProtT5-XL-U50およびMollFormerを介してタンパク質の化学潜伏表現を利用する,革新的な配列ベースフレームワークであるBAPULMを紹介する。 提案手法は,ベンチマーク1k2101, Test2016_290, CSAR-HiQ_36でそれぞれ0.925 $pm$0.043, 0.914 $pm$0.004, 0.8132 $pm$0.0001のシーケンシャルスコアリングパワー(R)値を達成した。
  論文  参考訳（メタデータ） (2024-11-06T04:35:30Z)
• ScholarChemQA: Unveiling the Power of Language Models in Chemical Research Question Answering [54.80411755871931]
  質問回答(QA)は、言語モデルの推論と知識の深さを効果的に評価する。 化学QAは、複雑な化学情報を理解しやすい形式に効果的に翻訳することで、教育と研究の両方において重要な役割を担っている。 このデータセットは、不均衡なデータ分散や、潜在的に有用である可能性のあるかなりの量の未ラベルデータを含む、典型的な現実世界の課題を反映している。 収集したデータを完全に活用して,化学的な問題に効果的に答えるQAMatchモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-24T01:46:55Z)
• MoleculeCLA: Rethinking Molecular Benchmark via Computational Ligand-Target Binding Analysis [18.940529282539842]
  約140,000個の小分子からなる大規模かつ高精度な分子表現データセットを構築した。 我々のデータセットは、モデルの開発と設計をガイドするために、重要な物理化学的解釈性を提供します。 このデータセットは、分子表現学習のためのより正確で信頼性の高いベンチマークとして機能すると考えています。
  論文  参考訳（メタデータ） (2024-06-13T02:50:23Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。