論文の概要: SpliceBind: Isoform-Aware Prediction of Binding Pocket Druggability
- arxiv url: http://arxiv.org/abs/2606.04020v1
- Date: Mon, 01 Jun 2026 09:21:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.239
- Title: SpliceBind: Isoform-Aware Prediction of Binding Pocket Druggability
- Title（参考訳）: SpliceBind:Isoform-Aware Prediction of Binding Pocket Druggability (特集:バイオサイバネティックスとバイオサイバネティックス)
- Authors: Bryan Cheng, Austin Jin, Joshua Chang,
- Abstract要約: ブリッジングを意識した薬物性予測のためのグラフニューラルネットワークフレームワークを提案する。
5つのメカニズムのクラスにまたがる6つの臨床的に検証された変異の系統解析により、二層耐性分類が明らかとなった。
25のファミリーにまたがる229個のキナーゼポケットで、SpliceBindはAUROC 0.703を安定して保留する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Splice-mediated drug resistance occurs in up to 40% of patients on targeted kinase inhibitors, yet state-of-the-art druggability tools operate on single structures and cannot compare across isoforms. We introduce SpliceBind, a graph neural network framework for isoform-aware druggability prediction. Beyond improving prediction accuracy (AUROC 0.703 vs. P2Rank 0.634, p = 0.026), we address a more fundamental question: when do structural methods succeed, and when must they fail? Systematic analysis of six clinically validated variants spanning five mechanism classes reveals a two-tier resistance taxonomy. Domain deletions (AR-V7, Delta = -18.39) and pocket disruptions produce structurally detectable changes, while allosteric mechanisms (BRAF-p61) remain fundamentally invisible to any pocket-centric approach -- a boundary no algorithmic improvement can cross. Notably, learned embeddings capture affinity-based resistance missed by geometry alone (ALK-L1196M: Delta_SB = -0.228 vs. Delta_P2Rank = -0.95), partially bridging the structural-biochemical gap. On 229 kinase pockets spanning 25 families, SpliceBind achieves AUROC 0.703 (p = 0.026 vs. P2Rank) with robust generalization to held-out families (AUROC 0.761). This taxonomy transforms clinical workflows: upon discovering a splice variant, clinicians can immediately determine whether computational triage suffices or biochemical validation is required -- reducing time from variant discovery to therapeutic decision.
- Abstract（参考訳）: スプライスを介する薬剤耐性は、標的となるキナーゼ阻害剤の40%の患者で起こるが、最先端の薬剤性ツールは単一の構造で作用し、アイソフォーム間で比較できない。
異形性を考慮した薬物性予測のためのグラフニューラルネットワークフレームワークSpliceBindを紹介する。
予測精度の改善(AUROC 0.703 vs. P2Rank 0.634, p = 0.026)以外にも、構造的手法がいつ成功し、いつ失敗しなければならないのかという、より根本的な問題に対処する。
5つのメカニズムのクラスにまたがる6つの臨床的に検証された変異の系統解析により、二層耐性分類が明らかとなった。
ドメイン削除(AR-V7, Delta = -18.39)とポケット破壊は構造的に検出可能な変化をもたらすが、アロステリック機構(BRAF-p61)は基本的にポケット中心のアプローチには見えない。
特に、学習された埋め込みは、幾何学的に欠落した親和性に基づく抵抗(ALK-L1196M: Delta_SB = -0.228 vs. Delta_P2Rank = -0.95)を捉える。
25のファミリーにまたがる229個のキナーゼポケットでは、SpliceBindはAUROC 0.703(p = 0.026 vs. P2Rank)を達成し、ホールドアウトファミリー(AUROC 0.761)への堅牢な一般化を実現している。
この分類法は臨床ワークフローを変換する:スプライス変種を発見すると、臨床医は直ちに計算三量体か生化学的検証が必要であるかを判断し、変種発見から治療決定までの時間を短縮することができる。
関連論文リスト
- Decomposing the Generalization Gap in PROTAC Activity Prediction: Variance Attribution and the Inter-Laboratory Ceiling [11.472625518731173]
我々は、これを評価科学的な問題とみなし、実験的なテストベッドとして標的タンパク質の分解を利用する。
ProTAC-Bench (10,748 測定,173 ターゲット,65 LOTO フォルダ),分散復号化フレームワーク,ターゲットごとのキャリブレーションプロトコル,評価コードをリリースする。
論文 参考訳（メタデータ） (2026-05-12T08:35:02Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。
私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。
CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
論文 参考訳（メタデータ） (2025-12-09T23:09:22Z) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - Fitness aligned structural modeling enables scalable virtual screening with AuroBind [56.720030595081845]
AuroBindは、100万規模のケモゲノミクスデータ上に、カスタム原子レベルの構造モデルを微調整するスケーラブルな仮想スクリーニングフレームワークである。
AuroBindは、直接選好最適化、高信頼錯体からの自己蒸留、教師-学生加速戦略を統合している。
AuroBindは10の疾患関連目標に対して、実験的なヒット率7-69%を達成し、トップ化合物はナノモラール下からピコモラールに到達した。
論文 参考訳（メタデータ） (2025-08-04T07:34:48Z) - Uncertainty-Aware Genomic Classification of Alzheimer's Disease: A Transformer-Based Ensemble Approach with Monte Carlo Dropout [0.0]
アルツハイマー病(英語版) (AD) は遺伝学的に複雑であり、ゲノムデータも複雑である。
我々はモンテカルロ・ドロップアウトを用いた変圧器を用いたアンサンブルモデル(TrUENet)を開発した。
論文 参考訳（メタデータ） (2025-05-31T18:20:49Z) - Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
原子は分離違反を避けるために 最小の対距離を維持する必要がある
NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。
違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
論文 参考訳（メタデータ） (2024-09-16T08:42:46Z) - YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。
本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。
YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
論文 参考訳（メタデータ） (2024-06-27T12:40:29Z)
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。