論文の概要: Enhancing Protein-Protein Interaction Prediction with Hierarchical Motif-based Multimodal Protein Embedding

• arxiv url: http://arxiv.org/abs/2606.02629v1
• Date: Sat, 30 May 2026 05:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.470994
• Title: Enhancing Protein-Protein Interaction Prediction with Hierarchical Motif-based Multimodal Protein Embedding
• Title（参考訳）: 階層型モチーフ型マルチモーダルタンパク質エンベディングによるタンパク質とタンパク質の相互作用予測の強化
• Abstract要約: MMM-PPIは、PPI予測のための階層型モチーフベースのマルチモーダルタンパク質である。 マイクロスケールでは3つのモード残基をエンコードする。メソスケールでは,新しいマルチモーダルモチーフエンコーダが残基を空間的にインフォームドされたモチーフ埋め込みに集約する。 マクロスケールにおいて、マルチモーダルタンパク質エンコーダは、モチーフの重要性とモチーフ間の相関を共同でモデル化することにより、モチーフをタンパク質の埋め込みに統合する。
• 参考スコア（独自算出の注目度）: 3.726134469904372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein-protein interactions (PPIs) are essential for many biological processes. However, existing PPI prediction approaches suffer from two major limitations: they overlook the hierarchical organization of proteins, particularly meso-scale motifs that critically regulate PPIs, and fail to effectively integrate sequence, structure, and function modalities. To address these limitations, we propose MMM-PPI, a Hierarchical Motif-based Multi-Modal protein Encoder for PPI Prediction that constructs PPI embeddings in a bottom-up multi-modal manner across three scales. At the micro-scale, we encode three modal residue features; at the meso-scale, a novel multimodal motif encoder aggregates residues into spatially-informed motif embeddings; at the macro-scale, a multimodal protein encoder integrates motifs into protein embeddings by jointly modeling motif importance and inter-modal correlations. The pre-trained encoder can be used off-the-shelf for large-scale PPI prediction. Extensive experiments on multiple PPI datasets show that MMM-PPI outperforms state-of-the-art multi-label PPI prediction models, particularly under challenging data partitions and limited data scenarios. Codes are in https://github.com/yzf-code/MMM-PPI.
• Abstract（参考訳）: タンパク質とタンパク質の相互作用(PPI)は多くの生物学的プロセスに必須である。 しかし、既存のPPI予測アプローチは、タンパク質の階層的な構造、特にPPIを決定的に制御するメソスケールモチーフを見落とし、配列、構造、機能モダリティを効果的に統合することができないという2つの大きな制限に悩まされている。 これらの制約に対処するために,階層型モチーフに基づくPPI予測のためのマルチモーダルタンパク質エンコーダであるMMM-PPIを提案する。 マイクロスケールでは、メソスケールでは、新しいマルチモーダルモチーフエンコーダが残基を空間的にインフォームドされたモチーフ埋め込みに集約し、マクロスケールでは、マルチモーダルタンパク質エンコーダは、モチーフの重要性とモチーフ間の相関を共同でモデル化することによって、タンパク質の埋め込みにモチーフを統合する。 事前訓練されたエンコーダは、大規模なPPI予測のためにオフザシェルフで使用することができる。 複数のPPIデータセットに対する大規模な実験により、MMM-PPIは、特に挑戦的なデータパーティションや限られたデータシナリオの下で、最先端のマルチラベルPPI予測モデルより優れていることが示された。 コードはhttps://github.com/yzf-code/MMM-PPIにある。

関連論文リスト

• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Beyond Simple Concatenation: Fairly Assessing PLM Architectures for Multi-Chain Protein-Protein Interactions Prediction [0.2509487459755192]
  タンパク質とタンパク質の相互作用 (PPIs) は、多くの細胞プロセスの基礎である。 PLMはタンパク質の構造と機能を予測するのに顕著な成功を収めた。 シークエンスベースのPPI結合親和性予測への応用は、いまだに未検討である。
  論文  参考訳（メタデータ） (2025-05-26T14:23:08Z)
• An All-Atom Generative Model for Designing Protein Complexes [65.06317264153175]
  APM(All-Atom Protein Generative Model)は、マルチチェーンタンパク質をモデル化するためのモデルである。 鎖間相互作用を正確にモデル化し、結合能力を持つタンパク質複合体をゼロから設計することができる。 また、多鎖タンパク質の折りたたみおよび逆折りのタスクも行う。
  論文  参考訳（メタデータ） (2025-04-17T16:37:41Z)
• SCMPPI: Supervised Contrastive Multimodal Framework for Predicting Protein-Protein Interactions [0.0]
  本稿では,タンパク質-タンパク質相互作用予測のための新しい教師付きコントラスト型マルチモーダルフレームワークSCMPPIを提案する。 8つのベンチマークデータセットの実験では、最先端の精度(98.13%)とAUC(99.69%)と優れたクロス種一般化が示されている。 CD9ネットワーク、Wnt経路解析、がん特異的ネットワークで成功した応用は、さらに疾患標的発見の可能性を強調している。
  論文  参考訳（メタデータ） (2025-04-03T15:34:02Z)
• Joint Masked Reconstruction and Contrastive Learning for Mining Interactions Between Proteins [4.254824555546419]
  タンパク質とタンパク質の相互作用 (PPI) の予測は、細胞操作の基礎となるメカニズムを解明するための手段である。 本稿では,JmcPPIと呼ばれるマスク型再構成とコントラスト学習を組み合わせた新しいPPI予測手法を提案する。 3つの広く利用されているPPIデータセットに対して行われた大規模な実験は、JmcPPIが既存の最適なベースラインモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2025-03-06T17:39:12Z)
• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
  タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。 MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2024-02-22T09:04:41Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)

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。