論文の概要: From Cellular Responses to Pharmacological Domains: Multimodal Zero-Shot Drug Representation Learning

• arxiv url: http://arxiv.org/abs/2607.25322v1
• Date: Tue, 28 Jul 2026 06:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.724796
• Title: From Cellular Responses to Pharmacological Domains: Multimodal Zero-Shot Drug Representation Learning
• Title（参考訳）: 細胞反応から薬理学領域へ:マルチモーダルゼロショットドラッグ表現学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.066474185523319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal drug discovery enables drug representation learning beyond chemical structure by incorporating cellular responses such as gene expression and cell morphology. However, direct fusion and instance-level contrastive alignment may mix mechanism-related signals with modality-specific noise and incorrectly separate structurally dissimilar but biologically related compounds. This limitation can obscure transferable mechanism patterns required for predicting the properties of unseen compounds. We introduce PMRD, a pharmacological response domain-guided framework for multimodal zero-shot drug property prediction. PMRD separates mechanism-consistent factors from modality-specific information and constructs a consensus response domain across three modalities. Mechanism candidate augmentation identifies locally stable factors, while retrieval-geometry attribution dynamically reweights the alignment and augmentation objectives according to whether their updates preserve inter-drug discriminability.This feedback suppresses training signals that conflict with mechanism-discriminative retrieval. PMRD further combines complementary representations through reliability-aware multiview retrieval. Experiments on public datasets show improved zero-shot property prediction and more biologically coherent drug neighborhoods. Hard-negative analysis further indicates fewer conflicts between structurally dissimilar but response-related compounds. These results support PMRD as an effective framework for mechanism-aware multimodal drug representation learning.\footnote{The code will be released upon publication.}
• Abstract（参考訳）: マルチモーダルドラッグ発見は、遺伝子発現や細胞形態学などの細胞応答を組み込むことで、化学構造を超えた薬物表現学習を可能にする。 しかし、直接融合とインスタンスレベルのコントラストアライメントは、機構関連信号とモード特異的ノイズを混合し、誤って構造的に異なるが生物学的に関連のある化合物を分離する。 この制限は、目に見えない化合物の性質を予測するのに必要な伝達可能なメカニズムパターンを曖昧にすることができる。 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。 PMRDは、メカニズムと一貫性のある要素をモダリティ固有の情報から分離し、3つのモダリティにまたがるコンセンサス応答領域を構築する。 メカニズム候補増強は局所的に安定な因子を識別する一方,検索-幾何学属性は薬種間差別性を維持するか否かに応じてアライメントと拡張の目的を動的に重み付けする。 PMRDはさらに、信頼性を考慮したマルチビュー検索を通じて補完表現を結合する。 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。 強陰性分析は、構造的に異なるが反応関連化合物間の衝突がより少ないことを示している。 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。 コードは公開時にリリースされる。 ※

関連論文リスト

• DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing [55.45112712244231]
  DrugReasonはマルチビュー推論フレームワークであり、LLMが生成する薬物再精製の機械的推論と接地KG推論を統合している。 PharmaDB, DDInter, DrugBankの実験によると、DragonReasonは強力な単一ビュー推論ベースラインよりも平均的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-09-06T18:54:26Z)
• CoFEND: A Cross-Modal Fusion End-to-End Network for Cold-Start Drug-Drug Interaction Prediction [11.887585526065726]
  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。
  論文  参考訳（メタデータ） (2026-07-03T03:52:33Z)
• DDIAgents: Mechanism-Conditioned Context Flow for Drug-Drug Interaction Prediction [32.686939496125916]
  DDIAgentsは動的知識オーケストレーションを通じてDDI予測を行う機構条件付きマルチエージェントフレームワークである。 DDIAgentsは、推論された相互作用機構にコンテキストフローを適用することにより、無関係な情報を低減し、補完的な専門家の推論をサポートし、解釈可能なエージェントレベルの有理性を生成する。
  論文  参考訳（メタデータ） (2026-06-30T03:19:33Z)
• Drug Synergy Prediction via Residual Graph Isomorphism Networks and Attention Mechanisms [3.073484266148604]
  Intention Mechanism(ResGIN-Att)と統合されたResidual Graph Isomorphism Networkと呼ばれる新しいモデルを導入する。 このモデルは、まず、残留グラフ同型ネットワークを用いて、薬物分子のマルチスケールトポロジカルな特徴を抽出し、残留結合が深層での過剰な平滑化を緩和する。その後、適応長短期記憶(LSTM)モジュールは、局所からグローバルスケールまでの構造情報を融合する。最後に、クロスアテンションモジュールは、薬物と薬物の相互作用を明示的にモデル化し、重要な化学的サブ構造を特定するように設計されている。
  論文  参考訳（メタデータ） (2026-04-23T09:31:51Z)
• Mechanisms of AI Protein Folding in ESMFold [60.598995350547]
  ESMFoldがいかにしてベータヘアピンを折りたたむかは、よく見られる構造モチーフである。 ESMFoldの構造決定の基盤となるメカニズムは局所化され、解釈可能な表現を通して追跡され、強い因果効果で操作されることを示す。
  論文  参考訳（メタデータ） (2026-02-05T18:54:54Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• 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)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• ALNSynergy: a graph convolutional network with multi-representation alignment for drug synergy prediction [8.316187397380244]
  薬物の組み合わせは、特定の疾患を同時に治療するための2つ以上の薬物の使用を指す。 本研究では,薬物相乗効果を予測するための多表現アライメントを備えたグラフ畳み込みネットワークであるALNSynergyを提案する。
  論文  参考訳（メタデータ） (2023-11-27T15:34:14Z)
• 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)

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。