論文の概要: Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent
- arxiv url: http://arxiv.org/abs/2606.01816v1
- Date: Mon, 01 Jun 2026 07:32:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.495578
- Title: Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent
- Title（参考訳）: Site4Drug:AIエージェントで薬物結合ターゲットサイトを予測する
- Abstract要約: Site4Drugは、明示的な制約、エビデンスサマリ、リスクフラグ、トレース可能な決定ログを備えた、ターゲット可能なリージョンのランクリストを生成する。
Site4Drugは、ユーザーが事前に薬物のモダリティを指定するのではなく、サイト発見に使用するのと同じエビデンスから結合モダリティを推奨できる。
この証拠は、化学的に可塑性だが生物学的に排除された場所を選択することを避けるために、小分子のポケット発見を含むモダリティにわたって一貫して適用されている。
- 参考スコア（独自算出の注目度）: 1.9249287163937974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selecting where to intervene on a protein (i.e., choosing a targetable site) is often a more ambiguous and failure-prone bottleneck than selecting what binds, especially for membrane proteins where accessibility, topology, and post-translational modifications (PTMs) constrain actionable regions. We present Site4Drug, a modality-aware site-finding agent that outputs a ranked list of targetable regions with explicit constraints, evidence summaries, risk flags, and a traceable decision log. Rather than requiring users to specify the drug modality upfront, Site4Drug can recommend a binding modality (e.g., antibody/peptide-like vs small-molecule) from the same evidence used for site discovery, including topology, hydropathy, PTM propensity, disulfides, domain context, and sequence. Importantly, this evidence is applied consistently across modalities, including small-molecule pocket discovery, to avoid selecting chemically plausible but biologically occluded sites.
- Abstract（参考訳）: タンパク質のどこに介在するか(すなわち標的部位を選択する)を選択することは、結合するタンパク質、特にアクセシビリティ、トポロジー、翻訳後修飾(PTMs)が作用可能な領域を制限している膜タンパク質を選択するよりも、しばしば曖昧で障害を起こしやすいボトルネックである。
そこで我々はSite4Drugを提案する。Site4Drugは、明示的な制約、エビデンスサマリー、リスクフラグ、トレーサブルな意思決定ログを含む、対象領域のランクリストを出力するモダリティ対応サイトファイリングエージェントである。
Site4Drugは、ユーザーが事前に薬物のモダリティを指定することを要求するのではなく、トポロジ、ヒドロパシー、PTMの適合性、ジスルフィド、ドメインコンテキスト、シーケンスを含むサイト発見に使用されるのと同じエビデンスから、結合モダリティ(例えば、抗体/ペプチド様対小分子)を推奨できる。
重要なことに、この証拠は化学的に可塑性だが生物学的に排除された場所を選択することを避けるために、小分子のポケット発見を含む様々な形態で一貫して適用されている。
関連論文リスト
- Pairwise Logical Selection of Enthymeme Completions under Semantic-Link Uncertainty [1.0804061924593265]
我々は、事前のニューロシンボリックパイプラインを、欠落前提から欠落条件選択まで拡張する。
次にPWAL(Possible-World Atom-Link Formalization)を導入する。
トップリンクとは対照的に、PWALは厳密な精度を2.95-30.86ポイント、タイレートを4.57-58.00ポイント削減している。
論文 参考訳（メタデータ） (2026-08-19T11:21:59Z) - MARD: Mirror-Augmented Reasoning Distillation for Mechanism-Level Drug-Drug Interaction Prediction [0.0]
メカニズムレベルの薬物・薬物相互作用(DDI)予測は、どの酵素または薬物動態軸が関与しているかを特定する必要がある。
そこで本研究では, 7- Family/147-subtype taxonomy を組み込んだ再現可能な機構レベルのDDIラベリングと評価プロトコルを提案する。
我々は、7B推論MARD(Mirror-Augmented Reasoning Distillation)を生成するパイプラインを提案する。
論文 参考訳（メタデータ） (2026-06-10T18:26:11Z) - Protein Thoughts: Interpretable Reasoning with Tree of Thoughts and Embedding-Space Flow Matching for Protein-Protein Interaction Discovery [9.70057752523548]
我々は、明示的な推論を伴う解釈可能な探索問題として、PPI発見を再構成するフレームワークである textbfProtein Thoughts を提案する。
タンパク質思考は、エントロピー木探索ベースラインにおいて平均11.2対47.7の平均的バインダーランクを達成し、76%の改善、および結合予測のために、訓練された値関数は91.08 pm 0.19$ Micro-F1に達する。
論文 参考訳（メタデータ） (2026-05-19T04:14:06Z) - ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design [0.34155322317700576]
本稿では、強化学習に基づく完全に統合されたターゲットに依存しない分子設計フレームワークであるbfReACT-Drugを紹介する。
このアーキテクチャは、構造生物学、深層表現学習、化学規則を統合し、合理的な薬物設計を自動化し加速する可能性を強調している。
論文 参考訳（メタデータ） (2025-12-24T05:29:35Z) - Align Your Query: Representation Alignment for Multimodality Medical Object Detection [55.86070915426998]
本稿では,表現をモダリティの文脈と整合させる検出非依存の枠組みを提案する。
モーダリティトークンをマルチモーダリティコンテキスト注意による検出プロセスに統合する。
提案されたアプローチは、最小限のオーバーヘッドとアーキテクチャの変更を伴わず、APを継続的に改善する。
論文 参考訳（メタデータ） (2025-10-03T07:49:21Z) - DataSentinel: A Game-Theoretic Detection of Prompt Injection Attacks [87.66245688589977]
LLM統合されたアプリケーションとエージェントは、インジェクション攻撃に弱い。
検出方法は、入力が注入プロンプトによって汚染されているかどうかを判定することを目的とする。
本研究では,迅速なインジェクション攻撃を検出するゲーム理論手法であるDataSentinelを提案する。
論文 参考訳（メタデータ） (2025-04-15T16:26:21Z) - Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding [9.721502993958193]
我々はDual-Feature Drug Repurposing Neural Network (DFDRNN)と呼ばれる新しいモデルを提案する。
DFDRNNは、薬物や疾患をコード化するために、医薬品の生医学ネットワークから2つの特徴(類似性と関連性)をマイニングすることができる。
提案するDFDRNNモデルは,4つのベンチマークデータセット上で6つの最先端手法より優れている。
論文 参考訳（メタデータ） (2024-07-16T15:02:18Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳（メタデータ） (2022-12-07T14:12:34Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-30T09:32:39Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳（メタデータ） (2022-06-11T18:03:26Z) - Unsupervised Domain Adaptation for Dysarthric Speech Detection via
Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。
DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。
実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文 参考訳（メタデータ） (2021-06-18T13:34:36Z) - Text Mining to Identify and Extract Novel Disease Treatments From
Unstructured Datasets [56.38623317907416]
Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。
次に、テキストを体系的に前処理するためのパイプラインを構築します。
我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
論文 参考訳（メタデータ） (2020-10-22T19:52:49Z) - Site2Vec: a reference frame invariant algorithm for vector embedding of
protein-ligand binding sites [0.0]
リガンド(Ligand)は、結合部位と呼ばれる表面上の特定の領域でタンパク質分子と相互作用する小さな分子である。
ディープニューラルネットワークアルゴリズムがデプロイされ、非常に複雑な入力特徴空間をキャプチャできるようになった。
本稿では,タンパク質-リガンド結合部位の参照フレーム不変ベクトル埋め込みを導出する新しいアルゴリズムについて報告する。
論文 参考訳（メタデータ） (2020-03-18T10:56:27Z)
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。