Fugu-MT 論文翻訳(概要): Retrieval-Augmented Multimodal Learning for Enzyme-Substrate Interaction Prediction Under Low-Homology Shift

論文の概要: Retrieval-Augmented Multimodal Learning for Enzyme-Substrate Interaction Prediction Under Low-Homology Shift

arxiv url: http://arxiv.org/abs/2606.22823v1
Date: Mon, 22 Jun 2026 04:01:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 21:25:15.496588
Title: Retrieval-Augmented Multimodal Learning for Enzyme-Substrate Interaction Prediction Under Low-Homology Shift
Title（参考訳）: 低ホモロジーシフト下における酵素基質相互作用予測のための検索・拡張マルチモーダル学習
Authors: Chen Liu, Bingxin Zhou, Xinyuan Wang, Ming Li, Guisheng Fan, Liang Hong,
Abstract要約: RAMMESIは、堅牢な予測のための検索拡張マルチモーダルフレームワークである。双方向の相互作用モデリングを通じて、酵素-基質の明示的な表現を学習する。推論時に隣の酵素を回収し、基質と再結合し、結果のペアワイズ予測を文脈的証拠として集約する。
参考スコア（独自算出の注目度）: 15.372448178786797
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Enzyme substrate interaction (ESI) prediction is a fundamental computational task for biocatalyst discovery and reaction screening in large biochemical spaces. In practical settings, ESI prediction is challenged by sparse positive supervision and low-homology distribution shift, where test enzymes share limited sequence identity with those observed during training. To address these challenges, we propose RAMMESI, a retrieval-augmented multimodal framework for robust ESI prediction. RAMMESI learns explicit pairwise enzyme-substrate representations through directional cross-modal interaction modeling and adaptive fusion. To enhance robustness, RAMMESI retrieves neighboring enzymes at inference time, recombines them with the query substrate, and aggregates the resulting pairwise predictions as contextual evidence. To improve learning under sparse positive supervision, we further adopt an imbalance-aware weighted-BCE objective. Experiments on two ESI benchmarks under sequence-identity-aware splits demonstrate that RAMMESI achieves consistently strong performance, with particular advantages in more challenging low-identity regimes. In addition, the retrieval module improves multiple ESI backbones in a plug-and-play manner, suggesting that retrieval provides a general mechanism for improving robustness under homology shift.
Abstract（参考訳）: 酵素基質相互作用(ESI)予測は、大規模な生化学空間における生体触媒の発見と反応スクリーニングの基本的な計算課題である。実際の設定では、ESI予測は、試験酵素がトレーニング中に観察されたものと限られた配列の同一性を共有する、疎い正の監督と低ホモロジー分布シフトによって挑戦される。これらの課題に対処するため、我々は、堅牢なESI予測のための検索強化マルチモーダルフレームワークであるRAMMESIを提案する。 RAMMESIは、指向性相互相互作用モデリングと適応融合により、一対の酵素-基質表現を学習する。堅牢性を高めるため、RAMMESIは推論時に隣の酵素を回収し、それらをクエリ基質と再結合し、結果のペアワイズ予測を文脈的証拠として集約する。少ない正の監督下での学習を改善するために、我々はさらにバランスの取れない重み付きBCE目標を採用する。シーケンシャルアイデンティティを意識した2つのESIベンチマークの実験では、RAMMESIは一貫して強い性能を達成しており、特により挑戦的な低アイデンティティのシステマティクスにおいて利点がある。さらに、検索モジュールは複数のESIバックボーンをプラグアンドプレイで改善し、ホモロジーシフトによる堅牢性向上のための一般的なメカニズムを提供することを示唆している。

関連論文リスト

Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文参考訳（メタデータ） (2026-05-27T23:48:01Z)
SimReg: Achieving Higher Performance in the Pretraining via Embedding Similarity Regularization [55.63565289584336]
SimRegは埋め込み類似性正規化損失であり、各シーケンス内で同じ基幹ラベルを持つトークン表現をより類似させる。分析の結果, この機構は多分類マージンを増大させ, より効率的な分類を可能にした。
論文参考訳（メタデータ） (2026-05-09T08:59:13Z)
Group Cognition Learning: Making Everything Better Through Governed Two-Stage Agents Collaboration [13.299987551113809]
グループ認知学習(グループ認知学習、Group Cognition Learning、GCL)は、モダリティ固有の符号化の後に2段階のプロトコルを適用する、管理された協調パラダイムである。 GCLはモダリティの優位性と結合を緩和し、回帰ベンチマークと分類ベンチマークの両方で最先端の結果を確立する。
論文参考訳（メタデータ） (2026-05-01T03:19:34Z)
AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
論文参考訳（メタデータ） (2026-04-14T13:49:19Z)
LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction [6.065808462922399]
既存の手法は、現実的なコールドスタートシナリオにおいて大きなパフォーマンス劣化に悩まされる。堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。
論文参考訳（メタデータ） (2026-03-16T03:46:51Z)
BROTHER: Behavioral Recognition Optimized Through Heterogeneous Ensemble Regularization for Ambivalence and Hesitancy [39.407739937584104]
自然主義的なビデオ設定におけるA/H(Ambivalence and Hesitancy)は、感情コンピューティングにおいて重要な課題である。ビデオレベルでのA/H予測のために,高度に正規化されたマルチモーダル融合パイプラインを提案する。
論文参考訳（メタデータ） (2026-03-15T12:53:41Z)
Multimodal Protein Language Models for Enzyme Kinetic Parameters: From Substrate Recognition to Conformational Adaptation [12.729882993671106]
酵素の速度論的パラメータの予測は、酵素が特定の基質をいかに効率的に触媒するかを定量化する。多くの学習パイプラインは、このプロセスを酵素と基質間の静的な互換性問題に単純化する。本稿では,タンパク質言語モデルへの微調整により,分子間情報を注入するERBA(Enzyme-Reaction Bridging Adapter)を提案する。
論文参考訳（メタデータ） (2026-03-13T09:45:41Z)
Pseudodata-guided Invariant Representation Learning Boosts the Out-of-Distribution Generalization in Enzymatic Kinetic Parameter Prediction [12.238915133864046]
O$2$DENetは、OODの一般化を強化する軽量なプラグアンドプレイモジュールである。 O$2$DENetは酵素-基質の摂動を導入し、元の酵素-基質-ペアの表現と拡張された酵素-基質-ペアの表現の一貫性を強制する。
論文参考訳（メタデータ） (2026-01-12T07:03:07Z)
Decomposing the Entropy-Performance Exchange: The Missing Keys to Unlocking Effective Reinforcement Learning [106.68304931854038]
検証可能な報酬付き強化学習(RLVR)は、大規模言語モデル(LLM)の推論能力を高めるために広く用いられている。我々は,RLVRのエントロピー・パフォーマンス交換機構を,異なるレベルの粒度で系統的に解析する。分析の結果, 上昇段階において, 負のサンプルのエントロピー減少は効果的な推論パターンの学習を促進することが明らかとなった。プラトー段階では、学習効率は、低エントロピーのサンプルに存在する高エントロピートークンと、シーケンスの終端に位置するトークンと強く相関する。
論文参考訳（メタデータ） (2025-08-04T10:08:10Z)
MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。 MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
論文参考訳（メタデータ） (2024-11-23T05:38:36Z)
AdaSAM: Boosting Sharpness-Aware Minimization with Adaptive Learning Rate and Momentum for Training Deep Neural Networks [76.90477930208982]
シャープネス認識(SAM)は、ディープニューラルネットワークのトレーニングにおいて、より一般的なものにするため、広範囲に研究されている。 AdaSAMと呼ばれる適応的な学習摂動と運動量加速度をSAMに統合することはすでに検討されている。いくつかのNLPタスクにおいて,SGD,AMS,SAMsGradと比較して,AdaSAMが優れた性能を発揮することを示す実験を行った。
論文参考訳（メタデータ） (2023-03-01T15:12:42Z)

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。