論文の概要: MKGR: Multimodal Knowledge-Graph Representation Learning for Cold-Start Protein-Protein Interaction Prediction

• arxiv url: http://arxiv.org/abs/2607.01627v1
• Date: Thu, 02 Jul 2026 02:50:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.643122
• Title: MKGR: Multimodal Knowledge-Graph Representation Learning for Cold-Start Protein-Protein Interaction Prediction
• Title（参考訳）: MKGR:コールドスタートタンパク質-タンパク質相互作用予測のためのマルチモーダル知識グラフ表現学習
• Authors: Wenbo Zhang,
• Abstract要約: 本稿では,冷間開始型PPI予測のためのマルチモーダル表現フレームワークを提案する。 領域認識タンパク質配列を4つのタンパク質中心の生物医学知識グラフと組み合わせる方法。 2つのベンチマークデータセットの実験では、メソッドが競合シーケンス、ネットワーク、知識グラフのベースラインを一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 1.6711037450548076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate protein-protein interaction (PPI) prediction is central to functional genomics, disease mechanism discovery, and drug development. A difficult setting arises when candidate interactions include proteins that have no observed PPI edges during training, where models relying on network topology alone often lose useful context. This paper presents \method, a multimodal representation framework for cold-start PPI prediction. \method\ combines region-aware protein sequence encoding with four protein-centered biomedical knowledge graphs, including protein-drug, protein-disease, protein-miRNA, and protein-lncRNA associations. The sequence branch extracts contextual representations from structurally informed sequence regions, while graph attention encoders learn modality-specific protein embeddings from sparse biomedical associations. A bridge reconstruction objective regularizes graph learning by recovering shared protein-entity associations, and a pair-level gating module adaptively integrates sequence and graph evidence for each candidate protein pair. Experiments on two benchmark datasets under novel-old and novel-novel cold-start settings show that \method\ consistently outperforms competitive sequence, network, and knowledge-graph baselines across ACC, F1, AUC, AUPR, and MCC.
• Abstract（参考訳）: 正確なタンパク質-タンパク質相互作用(PPI)予測は機能ゲノム学、疾患機構発見、薬物開発の中心である。 候補となる相互作用がトレーニング中にPPIエッジが観察されていないタンパク質を含む場合、ネットワークトポロジのみに依存するモデルが有用なコンテキストを失うことがしばしばある。 本稿では,冷間開始型PPI予測のためのマルチモーダル表現フレームワークであるShamethodを提案する。 \method\は、タンパク質中心の4つの生物医学知識グラフ(タンパク質ドラッグ、タンパク質分解、タンパク質-miRNA、タンパク質-lncRNA関連など)と、領域認識タンパク質配列を結合する。 シーケンスブランチは、構造的に情報を得た配列領域からコンテキスト表現を抽出し、グラフアテンションエンコーダは、疎い生医学的な関連からモダリティ特異的なタンパク質の埋め込みを学習する。 ブリッジ再構築目的は、共有タンパク質結合を回復してグラフ学習を規則化し、ペアレベルのゲーティングモジュールは、各候補タンパク質対のシーケンスとグラフエビデンスを適応的に統合する。 新旧と新旧のコールドスタート設定下での2つのベンチマークデータセットの実験では、\method\はACC、F1、AUC、AUPR、MCCの競合シーケンス、ネットワーク、ナレッジグラフのベースラインを一貫して上回っている。

関連論文リスト

• GraphPI: Efficient Protein Inference with Graph Neural Networks [5.080679217338999]
  本稿では,タンパク質推論をノード分類問題として扱う新しいフレームワークであるGraphPIを紹介する。 タンパク質-ペプチド-PSMグラフ内の相互接続ノードとしてタンパク質を扱い、グラフニューラルネットワークに基づくアーキテクチャを用いてそれらの相互関係を解明する。 実験の結果,様々なテストデータセットにおいて顕著な性能を示し,一般的なタンパク質推論アルゴリズムと比較して計算時間を大幅に短縮した。
  論文  参考訳（メタデータ） (2026-05-06T00:55:10Z)
• S$^2$Drug: Bridging Protein Sequence and 3D Structure in Contrastive Representation Learning for Virtual Screening [72.89086338778098]
  タンパク質リガンドコントラスト表現学習のための2段階フレームワークを提案する。 最初の段階では、ESM2ベースのバックボーンを用いて、ChemBLでタンパク質配列を事前訓練する。 第2段階では、残基レベルゲーティングモジュールを介して配列と構造情報を融合することでPDBBindを微調整する。 この補助的なタスクは、モデルを誘導し、タンパク質配列内の結合残基を正確に局在させ、それらの3次元空間配列をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-10T11:57:47Z)
• Long-context Protein Language Modeling Using Bidirectional Mamba with Shared Projection Layers [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで本研究では,選択的構造化状態空間モデルに基づく代替タンパク質であるBiMamba-Sに基づくLC-PLMを提案する。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Neural Embeddings for Protein Graphs [0.8258451067861933]
  幾何学ベクトル空間にタンパク質グラフを埋め込む新しい枠組みを提案する。 タンパク質グラフ間の構造的距離を保存するエンコーダ関数を学習する。 本フレームワークは,タンパク質構造分類の課題において,顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-07T14:50:34Z)
• OntoProtein: Protein Pretraining With Gene Ontology Embedding [36.92674447484136]
  GO(Gene Ontology)の構造をタンパク質事前学習モデルに活用する最初の汎用フレームワークであるOntoProteinを提案する。 我々はGOとその関連タンパク質からなる新しい大規模知識グラフを構築し、遺伝子アノテーションのテキストやタンパク質配列はグラフ内の全てのノードを記述する。
  論文  参考訳（メタデータ） (2022-01-23T14:49:49Z)

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。