論文の概要: MEGA-CL: A Molecular Foundation Model for Generalizable ADMET Prediction through Graph External Attention and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2607.24314v1
• Date: Mon, 27 Jul 2026 11:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.409628
• Title: MEGA-CL: A Molecular Foundation Model for Generalizable ADMET Prediction through Graph External Attention and Contrastive Learning
• Title（参考訳）: MEGA-CL:グラフ外部注意とコントラスト学習による一般化可能なADMET予測のための分子基盤モデル
• Authors: Tinghui Jin, Kedu Jin, Ying Li, Guanghui Ren, Jingzhi Xue, Shiyu Zhou, Xiaoli Dai, Li-bin Wei, Xijing Chen, Di Zhao, Jinfeng Liu,
• Abstract要約: MEGA-CLは、普遍的な分子ADMET予測のための基礎グラフニューラルネットワークフレームワークである。 13のベンチマークデータセットと21のダウンストリームADMETタスクに対して、MEGA-CLは一貫して最先端のベースラインモデルを上回っている。
• 参考スコア（独自算出の注目度）: 10.241657485434509
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting the absorption, distribution, metabolism, excretion and toxicity (ADMET) properties of small molecules remains a major challenge in drug discovery. Here, we present MEGA-CL, a foundation graph neural network framework for universal molecular ADMET prediction. MEGA-CL integrates self-supervised contrastive learning with a multi-head external attention mechanism and an enhanced message-passing architecture, enabling simultaneous modeling of local chemical substructures and global inter-graph relationships while mitigating over-smoothing effects commonly observed in deep graph networks. Across 13 benchmark datasets and 21 downstream ADMET tasks, MEGA-CL consistently outperforms state-of-the-art baseline models. In particular, the framework demonstrates robust performance on challenging regression tasks, including clearance (CL) and steady-state volume of distribution (VDss), while maintaining strong generalization ability in independent external validation. Clinically relevant predictive accuracy was achieved, with more than 75% of predictions falling within a 3-fold error range. In an external evaluation on 18 novel compounds derived from recently approved FDA drugs, over 50% of human liver microsome clearance (HLMC) predictions were within a 2-fold error range. To further assess its practical applicability, MEGA-CL was prospectively evaluated on three preclinical drug candidates using in vitro hepatic microsomal metabolism assays and CYP450 inhibition assays guided by model predictions. The predicted HLMC values for all candidates were within 2.5-fold of the experimentally measured values, and 73.3% of CYP450 inhibition endpoints (11/15) were correctly classified. These results demonstrate the potential of MEGA-CL as a generalizable framework for accelerating in silico ADMET evaluation and early-stage drug candidate optimization.
• Abstract（参考訳）: 小分子の吸収、分布、代謝、排他性、毒性(ADMET)の予測は、薬物発見において大きな課題である。 本稿では,一般分子ADMET予測のための基礎グラフニューラルネットワークフレームワークMEGA-CLを提案する。 MEGA-CLは、自己教師付きコントラスト学習をマルチヘッド外部注意機構と拡張メッセージパスアーキテクチャと統合し、ディープグラフネットワークでよく見られるオーバースムーシング効果を緩和しつつ、局所的な化学サブ構造とグローバルなグラフ間関係の同時モデリングを可能にする。 13のベンチマークデータセットと21のダウンストリームADMETタスクに対して、MEGA-CLは一貫して最先端のベースラインモデルを上回っている。 特に、このフレームワークは、クリアランス(CL)や定常状態の分散(VDs)など、困難な回帰タスクにおいて堅牢なパフォーマンスを示しながら、独立した外部検証において強力な一般化能力を維持している。 臨床的に関連する予測精度が達成され、75%以上の予測が3倍の誤差範囲内に落下した。 最近承認されたFDA薬物に由来する18の新規化合物の外部評価では、ヒト肝ミクロソームクリアランス(HLMC)予測の50%以上が2倍の誤差範囲内であった。 その実用性をさらに評価するため,MEGA-CLはin vitroの肝ミクロゾーム代謝測定法とCYP450阻害測定法を用いて,3つの前臨床薬候補に対して前向きに評価した。 全ての候補について予測されたHLMC値は実験値の2.5倍以内であり、CYP450阻害端(11/15)の73.3%が正しく分類された。 以上の結果から,MEGA-CLがシリコADMET評価および早期薬物候補最適化の促進に有効である可能性が示唆された。

関連論文リスト

• Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction [0.0]
  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。
  論文  参考訳（メタデータ） (2026-06-05T07:47:32Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• MEGAN: Mixture of Experts for Robust Uncertainty Estimation in Endoscopy Videos [2.969789372985515]
  我々は,複数のAI専門家による不確実性推定と予測を集約するマルチエキスパートゲーティングネットワークMEGANを提案する。 MEGANのゲーティングネットワークは、それぞれのEDLモデルからの予測と不確実性を最適に組み合わせ、全体的な予測信頼性とキャリブレーションを高める。 大規模な潰瘍性大腸炎(UC)臨床試験では、MEGANは既存の方法に比べてF1スコアが3.5%改善し、予想エラー(ECE)が30.5%減少した。
  論文  参考訳（メタデータ） (2025-09-16T07:42:01Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• MEXA-CTP: Mode Experts Cross-Attention for Clinical Trial Outcome Prediction [14.116060944536011]
  我々は、容易に利用可能なマルチモーダルデータを統合し、効果的な表現を生成する軽量アテンションベースモデルMEXA-CTPを提案する。 実験の結果,MEXA-CTPはF1スコアで11.3%,PR-AUCで12.2%,ROC-AUCで2.5%向上した。
  論文  参考訳（メタデータ） (2025-01-12T14:35:31Z)
• 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。