論文の概要: CoFEND: A Cross-Modal Fusion End-to-End Network for Cold-Start Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2607.02928v1
• Date: Fri, 03 Jul 2026 03:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.460869
• Title: CoFEND: A Cross-Modal Fusion End-to-End Network for Cold-Start Drug-Drug Interaction Prediction
• Title（参考訳）: CoFEND:コールドスタートドラッグ間相互作用予測のためのクロスモーダルフュージョン・エンド・エンドネットワーク
• Abstract要約: コールドスタート薬物・ドラッグ相互作用(DDI)予測は、予期せぬ薬物反応を最小化するために重要である。 本稿では,3つのコンポーネントを持つクロスモーダル・フューズド・エンド・ツー・エンド・ラーニング・ネットワーク(CMF-ELN)を提案する。 CMF-ELNは、そのピアよりもはるかに高い予測精度と機構のより包括的な解釈性を実現する。
• 参考スコア（独自算出の注目度）: 11.887585526065726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cold-start drug-drug interaction (DDI) prediction for new drugs is critical for minimizing unexpected adverse drug reactions. The key challenge is to capture similarity between new and known drugs. However, such similarity is closely associated with complex relationships and mechanisms among drugs, enzymes, transporters, molecular structures, and other biomedical entities. Existing methods have three limitations in capturing such similarity: (1) only partial relationships and mechanisms are considered, which overlooks cross-modal information and yields incomplete or biased similarity modeling; (2) similarity computation between new and known drugs is conducted separately across modalities and performed offline for cold-start DDI prediction, leading to misalignment between similarity computation and DDI prediction; and (3) existing interpretability analyses are typically single-modality and focus primarily on key determinants of the perpetrator drug, while the underlying causes of susceptibility for the victim drug are seldom investigated. To address these issues, this paper proposes a novel Cross-Modal-Fused End-to-End Learning Network (CMF-ELN) with three components. First, diverse multimodal information is leveraged to construct four types of drug-centered knowledge graphs, enabling comprehensive similarity modeling under reconstruction-based supervision. Second, a four-channel graph autoencoder is designed to fuse cross-modal similarity within an end-to-end learning framework. Finally, a two-stage interpretability scheme is devised to precisely localize key factors for both perpetrator and victim drugs. Extensive experiments on two real datasets demonstrate that CMF-ELN achieves significantly higher prediction accuracy and more comprehensive interpretability of mechanisms than its peers.
• Abstract（参考訳）: 新しい薬物に対するコールドスタート・ドラッグ・インタラクション(DDI)予測は、予期せぬ副作用を最小化するために重要である。 鍵となる課題は、新しい薬物と既知の薬物の類似性を捉えることである。 しかし、そのような類似性は、薬物、酵素、トランスポーター、分子構造、その他の生物医学的な実体の間の複雑な関係や機構と密接に関連している。 既存手法では,(1)クロスモーダル情報を見落とし,不完全あるいは偏りの類似性モデリングを生じる部分的関係とメカニズムのみを考慮し,(2)新薬と既知薬の類似性計算を別々に行い,コールドスタートDDI予測をオフラインで行い,類似性計算とDDI予測の相違を招き,(3)既存の解釈可能性分析は典型的には単一モダリティであり,主に加害薬のキー決定因子に焦点をあてる。 これらの課題に対処するために,3つのコンポーネントを持つクロスモーダル融合エンド・ツー・エンド・ラーニング・ネットワーク(CMF-ELN)を提案する。 まず, 多様なマルチモーダル情報を利用して4種類の薬物中心知識グラフを構築し, 再構築に基づく包括的類似性モデリングを実現する。 第2に、4チャンネルグラフオートエンコーダは、エンドツーエンドの学習フレームワーク内で、モーダル間の類似性を融合するように設計されている。 最後に、2段階の解釈可能性スキームを考案し、加害者および被害者の薬物の主要な要因を正確に特定する。 2つの実データセットに対する大規模な実験により、CMF-ELNは、そのピアよりもはるかに高い予測精度とより包括的なメカニズムの解釈可能性を達成することが示された。

関連論文リスト

• From Cellular Responses to Pharmacological Domains: Multimodal Zero-Shot Drug Representation Learning [13.066474185523319]
  我々は,マルチモーダルゼロショットドラッグ特性予測のための薬理応答ドメイン誘導フレームワークPMRDを紹介する。 公開データセットの実験では、ゼロショット特性予測の改善と、より生物学的に一貫性のある薬物地区が示されている。 これらの結果は、PMRDをメカニズム対応マルチモーダルドラッグ表現学習の効果的なフレームワークとしてサポートしている。
  論文  参考訳（メタデータ） (2026-07-28T06:13:25Z)
• MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction [10.392084347375963]
  薬物の組み合わせは治療効果を提供するが、有害薬物・薬物相互作用(DDI)のリスクも伴う 本研究は,薬物と薬物の相互作用ネットワークをマイニングし分析するグラフベースの手法を開発することにより,Web Mining and Content Analysisに寄与する。
  論文  参考訳（メタデータ） (2025-10-23T11:33:16Z)
• MD-Syn: Synergistic drug combination prediction based on the multidimensional feature fusion method and attention mechanisms [0.0]
  薬物併用療法は、複雑な疾患に対して有望な治療効果を示し、薬剤耐性を低下させる可能性を示している。 薬物の組み合わせの可能性は非常に多いため、従来の実験ではそれらを全てスクリーニングすることは困難である。 本研究では,多次元特徴融合法とマルチヘッドアテンション機構に基づく計算フレームワークMD-Synを提案する。
  論文  参考訳（メタデータ） (2025-01-14T06:50:56Z)
• 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)
• RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
  薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。 一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2024-08-27T17:13:56Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning [15.69547371747469]
  DDIPromptは、グラフプロンプト学習の最近の進歩に触発された革新的なソリューションである。 我々のフレームワークは、事前訓練されたモデルから本質的な知識を活用することで、これらの問題に対処することを目的としている。 2つのベンチマークデータセットに対する大規模な実験は、DDIPromptのSOTAパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-18T06:22:01Z)
• I$^2$MD: 3D Action Representation Learning with Inter- and Intra-modal Mutual Distillation [147.2183428328396]
  一般のモード内相互蒸留(I$2$MD)フレームワークを紹介する。 In 2$MD, we first-formulate the cross-modal interaction as a cross-modal Mutual Distillation (CMD) process。 類似したサンプルの干渉を緩和し,その基盤となるコンテキストを活用するため,モーダル・ミューチュアル蒸留(IMD)戦略をさらに設計する。
  論文  参考訳（メタデータ） (2023-10-24T07:22:17Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction [10.157966744159491]
  薬物の併用投与は薬物と薬物の相互作用(DDI)を引き起こす 薬物対の分子構造から潜在的DDIを効果的に予測する新しいモデルである分子サブストラクチャー・アウェア・ネットワーク(MSAN)を提案する。
  論文  参考訳（メタデータ） (2022-08-24T02:06:21Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)

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。