論文の概要: Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion

• arxiv url: http://arxiv.org/abs/2607.17601v1
• Date: Mon, 20 Jul 2026 06:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.514182
• Title: Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion
• Title（参考訳）: 信頼性を考慮した多エンジン融合によるタンパク質-リガンド結合親和性予測
• Abstract要約: マルチエンジンバインドアフィニティ予測のためのフレームワークであるRELIABLE-BAを紹介する。 PDBBindとBDB 2020+ベンチマークの実験では、不確実性のキャリブレーションを大幅に改善した競合点予測が示されている。 これらの不確実性推定は、タンパク質-リガンドペアの信頼性の高いフィルタリングを可能にし、高信頼ペアのみを保持する場合、予測誤差を最大25%削減する。
• 参考スコア（独自算出の注目度）: 17.232816400275727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate protein-ligand binding affinity prediction is central to computational drug discovery, yet modern docking engines frequently disagree without indicating which prediction to trust. Consensus scoring and ensemble methods improve mean accuracy but treat all predictions identically without interpretable confidence measures or uncertainty decomposition, ignoring the chemical context of each protein-ligand pair. To address this limitation, we introduce RELIABLE-BA (RELIABiLity-aware Evidential fusion for Binding Affinity), an evidential framework for multi-engine binding affinity prediction. Our model comprises three steps: (1) modeling each engine as an evidential expert via Normal-Inverse-Gamma distributions, (2) scaling epistemic uncertainty through learned reliability from molecular context while preserving each expert's predictive mean, and (3) fusing experts through closed-form aggregation that captures both individual uncertainty and inter-engine disagreement. Experiments on the PDBBind and BDB2020+ benchmarks demonstrate competitive point prediction with substantially improved uncertainty calibration, and additional validation on the SARS-CoV-2 Mpro dataset and 5HT2A receptor demonstrates applicability to clinically relevant drug targets. Crucially, these uncertainty estimates enable reliable filtering of protein-ligand pairs, reducing prediction error by up to 25% when retaining only high-confidence pairs. To our knowledge, RELIABLE-BA is the first multi-engine binding affinity prediction framework to combine evidential fusion with context-dependent reliability, offering a principled path toward trustworthy AI-guided drug discovery. Our code is publicly available at https://github.com/yongchand/RELIABLE-BA.
• Abstract（参考訳）: 正確なタンパク質-リガンド結合親和性予測は、計算薬の発見の中心であるが、現代のドッキングエンジンは、どの予測を信頼するかを示すことなく、しばしば意見が一致しない。 コンセンサススコア法とアンサンブル法は平均精度を向上させるが、全ての予測を解釈可能な信頼度測定や不確実性分解なしに同一に扱い、各タンパク質-リガンドペアの化学的文脈を無視している。 この制限に対処するために、多エンジン結合親和性予測のための明らかなフレームワークであるRELIABLE-BA(RELIABiLity-aware Evidential fusion for Binding Affinity)を導入する。 本モデルでは,(1)正規-逆-ガンマ分布を用いて各エンジンを明らかな専門家としてモデル化し,(2)分子コンテキストから学習した信頼性を生かし,各専門家の予測平均を保ちながら,(3)個々の不確かさとエンジン間不一致を捉えるクローズドフォームアグリゲーションを通じて専門家を融合させる。 PDBBindとBDB2020+ベンチマークの実験では、不確実性のキャリブレーションを大幅に改善した競合点予測が示され、SARS-CoV-2 Mproデータセットと5HT2A受容体のさらなる検証は、臨床的に関連する薬物標的に適用可能であることを示した。 これらの不確実性推定は、タンパク質-リガンドペアの信頼性の高いフィルタリングを可能にし、高信頼ペアのみを保持する場合、予測誤差を最大25%削減する。 我々の知る限り、RELIABLE-BAは、顕在的融合と文脈依存的信頼性を組み合わせた最初のマルチエンジン結合親和性予測フレームワークであり、信頼できるAI誘導薬物発見への原則的な道筋を提供する。 私たちのコードはhttps://github.com/yongchand/RELIABLE-BA.comで公開されています。

関連論文リスト

• $TCP_α$: Margin-Controlled Confidence estimation for reliable Music Information Retrieval [7.679660052685777]
  ディープニューラルネットワークは、しばしば過信であり、誤った予測にも高い信頼を割り当てる。 既存のターゲットは、重複する信頼値を正しい予測と間違った予測に割り当てる一方、決定境界付近のエラーは正しい予測と区別できない信頼スコアを受け取る。 提案するTCP_$は,不特定サンプルに対してマージン制御されたペナルティを導入することで,これらの制限を解消する新しい信頼度ターゲットである。
  論文  参考訳（メタデータ） (2026-08-20T17:58:50Z)
• TIER-MoE: Trust-Informed Expert Routing via Conditional Modality Risk for Multimodal Fusion in Biomedical Classification [17.05370605692998]
  提案するTIER-MoEはリスク誘導型サブスペース・オブ・エキスパートモデルであり,サンプル固有のモダリティの信頼性を規定する。 TIER-MoEは,アルツハイマー病,皮膚・レジオン悪性度,網膜分類の4つの公用多モードバイオメディカルデータセットで評価した。
  論文  参考訳（メタデータ） (2026-07-29T14:55:55Z)
• Uncertainty-Aware Trust Estimation for Multi-LLM Systems via Structured Expert Judgement [4.972323953932128]
  我々は不確実性を考慮した信頼推定問題としてマルチLLMアグリゲーションを定式化する。 我々は、不正確な予測を過信するCookスタイルのログ重み付けを採用する。 我々は,同種,異種,汚染された専門家パネルにまたがるMMLUとMMLU-Proのアプローチを評価した。
  論文  参考訳（メタデータ） (2026-07-10T08:47:05Z)
• EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis [41.67522319355107]
  EnTrustは、モーダル間紛争を予測の不確実性の主要な原因として扱うフレームワークである。 最強のベースラインに比べてキャリブレーション誤差を40%削減しつつ、最先端のセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2026-06-19T12:43:50Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• When should we trust the annotation? Selective prediction for molecular structure retrieval from mass spectra [3.2012147865361094]
  臨床代謝学や環境スクリーニングなどの高度な応用では、誤ったアノテーションが深刻な結果をもたらす可能性がある。 我々はMS/MSスペクトルからの分子構造検索のための選択的予測フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-03-11T16:40:50Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations [0.7891868017562221]
  本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。 最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
  論文  参考訳（メタデータ） (2026-02-08T00:01:43Z)
• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• Adaptive Individual Uncertainty under Out-Of-Distribution Shift with Expert-Routed Conformal Prediction [8.306260695214972]
  信頼度の高い適応区間(TESSERA)のスケールド推定を用いた信頼度エキスパートスプリット・コンフォーマルを導入する。 TESSERAは、絶対誤差を追跡する信頼性の高いカバレッジ保証、情報的かつ適応的な予測間隔幅を備えたサンプル単位の不確実性を提供する。 タンパク質-リガンド結合親和性予測は, 独立および同一分布 (d.d.) と足場ベースアウト・オブ・ディストリビューション (OOD) の双方で評価した。
  論文  参考訳（メタデータ） (2025-10-17T01:51:33Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。