論文の概要: Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2606.07698v1
• Date: Fri, 05 Jun 2026 07:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.289448
• Title: Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction
• Title（参考訳）: グラフニューラルネットワークによる薬物と薬物の相互作用予測のための薬物ゲノム知識グラフの増大
• Authors: Juergen Dietrich,
• Abstract要約: 薬物・薬物相互作用(DDI)予測に応用されたグラフニューラルネットワーク(GNN)は、SMILES由来のグラフとして符号化された分子構造にのみ依存する。 本研究は,薬理学以前の知識がこのギャップを部分的に埋めているかどうかを考察する。 実験は、対レベルのデータ分割と薬物レベルのデータ分割の両方の下で行われ、目に見えない薬物への一般化を定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) applied to drug-drug interaction (DDI) prediction rely exclusively on molecular structure encoded as SMILES-derived graphs. Prior work in this series demonstrated that model performance is bounded by the structural information content of training labels -- an Information Ceiling -- that architectural refinements alone cannot overcome. The present study investigates whether pharmacogenomic prior knowledge from the PharmGKB database partially closes this ceiling by providing metabolic pathway context that is independent of, and complementary to, molecular structure. Cytochrome P450 (CYP) enzyme substrate, inhibitor, and inducer annotations for four clinically relevant isoforms (CYP2D6, CYP3A4, CYP2C19, CYP2C9) are extracted and incorporated as a 12-dimensional feature vector concatenated to the molecular embedding prior to interaction prediction. Experiments are conducted under both pair-level and drug-level data splits to quantify generalization to unseen drugs. Results indicate that knowledge graph (KG) augmentation substantially improves DDI type classification under pair-level split conditions (F1-macro: 0.532 vs. 0.241 baseline), while binary interaction detection and drug-level generalization remain bounded by the Information Ceiling (AUC inflation: 0.224 vs. 0.250 baseline). Mechanistic validation on strictly held-out compounds confirms that augmentation preferentially improves CYP2C9-mediated interaction prediction, with probabilities increasing from 0.033-0.117 (baseline) to 0.560-0.586 (KG-augmented). An extension to single-molecule toxicity prediction on the Tox21 benchmark confirms that the effect is contingent on pharmacogenomic annotation coverage. These findings motivate the multimodal framework proposed for the subsequent study in this series.
• Abstract（参考訳）: 薬物・薬物相互作用(DDI)予測に応用されたグラフニューラルネットワーク(GNN)は、SMILES由来のグラフとして符号化された分子構造にのみ依存する。 このシリーズの以前の研究は、モデルパフォーマンスはトレーニングラベル(Information Ceiling)の構造的情報内容に縛られ、アーキテクチャの洗練だけでは克服できないことを示した。 本研究は,PharmGKBデータベースからの医薬ゲノム前の知識が,分子構造とは独立かつ相補的な代謝経路コンテキストを提供することによって,この天井を部分的に閉鎖するか否かを検討する。 4種類の臨床関連アイソフォーム(CYP2D6、CYP3A4、CYP2C19、CYP2C9)に対するシトクロムP450(CYP)酵素基質、阻害剤及びインデューサアノテーションを抽出し、相互作用予測の前に分子埋め込みに結合した12次元の特徴ベクトルとして含有する。 実験は、対レベルのデータ分割と薬物レベルのデータ分割の両方の下で行われ、目に見えない薬物への一般化を定量化する。 その結果、知識グラフ(KG)の増大は、ペアレベルの分割条件(F1-macro:0.532 vs. 0.241ベースライン)下でのDDI型分類を大幅に改善する一方、バイナリ相互作用の検出と薬物レベルの一般化はインフォメーション・シーリング(AUCインフレーション:0.224 vs. 0.250ベースライン)によって制限されることがわかった。 厳密に保留された化合物の機械的検証により、増大はCYP2C9による相互作用予測を優先的に改善し、確率は0.033-0.117(ベースライン)から0.560-0.586(KG-augmented)へと増加する。 Tox21ベンチマークの単一分子毒性予測の拡張により、薬理学的アノテーションのカバレッジに影響を及ぼすことが確認された。 これらの知見は、このシリーズにおけるその後の研究のために提案されたマルチモーダル・フレームワークを動機付けている。

関連論文リスト

• What Molecular Structure Cannot Tell Us: A Taxonomy of Explainability Gaps in GNN-Based Drug Toxicity Prediction [0.0]
  本研究では,構造に基づく毒性予測を防止するために,構造情報限界の運用分類を導入する。 アセチルサリチル酸(ASA, Aspirin)を用いたシステマティックケーススタディはモデル化合物として機能する。 結果は、分子構造が既知のASAの副作用の約45%(5/11)を説明できることを示している。
  論文  参考訳（メタデータ） (2026-05-25T07:51:15Z)
• Pharmacology Knowledge Graphs: Do We Need Chemical Structure for Drug Repurposing? [0.0]
  我々はChEMBL 36から,3,127薬,1,156タンパク質,1,065の表示を含む5,348のエンティティからなる薬理知識グラフを構築した。 我々は、5つの知識グラフ埋め込みモデルと、344万のパラメータを持つ標準グラフニューラルネットワークをグラフアテンションエンコーダとESM-2タンパク質埋め込みを用いてベンチマークした。 グラフアテンションに基づく薬物構造エンコーダを除去し、ESM-2タンパク質と組み合わせたトポロジカル埋め込みのみを保持することで、ドラッグタンパク質PR-AUCを0.5631から0.5785に改善し、VRAMをGBから353MBに削減した。
  論文  参考訳（メタデータ） (2026-03-02T07:07:32Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)

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。