Fugu-MT 論文翻訳(概要): Geometry-Informed Parameter-Efficient Fine-Tuning of Pre-trained Molecular GNNs for Blood-Brain Barrier Permeability Prediction

論文の概要: Geometry-Informed Parameter-Efficient Fine-Tuning of Pre-trained Molecular GNNs for Blood-Brain Barrier Permeability Prediction

arxiv url: http://arxiv.org/abs/2608.04257v1
Date: Tue, 04 Aug 2026 22:29:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-06 14:48:43.648679
Title: Geometry-Informed Parameter-Efficient Fine-Tuning of Pre-trained Molecular GNNs for Blood-Brain Barrier Permeability Prediction
Title（参考訳）: 血液脳関門透過性予測のための予め訓練した分子GNNの幾何インフォームドパラメーター効率の微調整
Abstract要約: 本稿では, BBBP-GeoPEFTを提案する。 BBBP-GeoPEFTは、空間原子と二階のエッジ相互作用を捉えるために、複数のカットオフと対応する線グラフから距離ベースのグラフを構築する。 BBBPデータセットをキュレートした実験により、BBBP-GeoPEFTは完全な微調整および代表PEFTベースラインと比較して競争性能が向上した。
参考スコア（独自算出の注目度）: 1.4452289368758382
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Blood-brain barrier permeability (BBBP) prediction is a critical screening task in central nervous system drug discovery, where candidate molecules must be assessed for whether they can cross, or should be prevented from crossing, the blood-brain barrier. However, this task remains challenging because of limited, class-imbalanced datasets and sensitivity to molecular structure. Recent advances in deep learning have established graph neural networks (GNNs) as a powerful approach for molecular representation learning, while pre-trained molecular GNNs provide transferable knowledge for downstream tasks. However, full fine-tuning is often parameter-inefficient and prone to overfitting, whereas existing parameter-efficient fine-tuning (PEFT) methods mainly adapt node features or the two-dimensional covalent graph, limiting their ability to capture three-dimensional geometry and second-order interactions. To address these limitations, we propose BBBP-GeoPEFT, a geometry-informed PEFT framework for pre-trained molecular GNNs. BBBP-GeoPEFT constructs distance-based graphs at multiple cutoffs and their corresponding line graphs from molecular conformers to capture spatial atom and second-order edge interactions. Lightweight auxiliary geometric graph encoders generate cutoff-specific representations, which are incorporated into each pre-trained layer through node-wise cutoff attention and gated residual connections. This design preserves pre-trained knowledge while incorporating permeability-relevant geometric information with a small trainable-parameter budget. Experiments on a curated BBBP dataset show that BBBP-GeoPEFT achieves competitive performance compared with full fine-tuning and representative PEFT baselines. Under both random and scaffold splitting, BBBP-GeoPEFT achieves competitive or improved ROC-AUC and accuracy in most experiments while updating only 10.1% of the model parameters.
Abstract（参考訳）: 血液脳関門透過性(BBBP)予測は、中枢神経系薬物発見において重要なスクリーニング課題であり、血液脳関門である血液脳関門を横断できるかどうか、または通過を阻止するために候補分子を評価しなければならない。しかし、この課題は、制限されたクラス不均衡なデータセットと分子構造に対する感受性のため、依然として困難なままである。ディープラーニングの最近の進歩は、分子表現学習の強力なアプローチとしてグラフニューラルネットワーク(GNN)を確立し、事前学習された分子GNNは下流タスクに伝達可能な知識を提供している。しかし、完全な微調整はパラメータ非効率で過度に適合する傾向があるが、既存のパラメータ非効率細調整(PEFT)法は主にノードの特徴や2次元の共有グラフに適応し、3次元幾何学と2階相互作用を捉える能力を制限する。これらの制約に対処するために, BBBP-GeoPEFT という, 事前学習分子 GNN のための幾何インフォームドPEFT フレームワークを提案する。 BBBP-GeoPEFTは、空間原子と二階のエッジ相互作用を捉えるために、複数のカットオフと対応する線グラフから距離ベースのグラフを構築する。軽量補助幾何グラフエンコーダは、ノードワイドカットオフアテンションとゲート残差接続により、各事前学習層に組み込まれたカットオフ固有表現を生成する。この設計は、透水性に関連する幾何情報を小さなトレーニング可能なパラメータ予算に組み入れつつ、事前訓練された知識を保存する。 BBBPデータセットをキュレートした実験により、BBBP-GeoPEFTは完全な微調整および代表PEFTベースラインと比較して競争性能が向上した。 BBBP-GeoPEFTはランダムな分割とスキャフォールド分割の両方の下で、ほとんどの実験において競合的または改善されたROC-AUCと精度を実現し、モデルパラメータの10.1%しか更新していない。

関連論文リスト

Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
論文参考訳（メタデータ） (2026-06-18T20:12:18Z)
Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文参考訳（メタデータ） (2026-01-30T03:59:38Z)
Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
論文参考訳（メタデータ） (2025-07-25T03:38:46Z)
Global Convergence and Rich Feature Learning in $L$-Layer Infinite-Width Neural Networks under $μ$P Parametrization [66.03821840425539]
本稿では, テンソル勾配プログラム(SGD)フレームワークを用いた$L$層ニューラルネットワークのトレーニング力学について検討する。 SGDにより、これらのネットワークが初期値から大きく逸脱する線形独立な特徴を学習できることを示す。このリッチな特徴空間は、関連するデータ情報をキャプチャし、トレーニングプロセスの収束点が世界最小であることを保証する。
論文参考訳（メタデータ） (2025-03-12T17:33:13Z)
Pushing the Limits of All-Atom Geometric Graph Neural Networks: Pre-Training, Scaling and Zero-Shot Transfer [15.302727191576784]
全原子情報を持つ幾何学グラフニューラルネットワーク(Geom-GNN)は、原子論シミュレーションを変換した。本研究では,Geom-GNNの自己教師付き事前学習,教師付き学習,教師なし学習環境におけるスケーリング行動について検討する。我々は、全ての原子グラフの埋め込みが他の神経アーキテクチャと有機的に組み合わされ、表現力を高めることができることを示す。
論文参考訳（メタデータ） (2024-10-29T03:07:33Z)
Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文参考訳（メタデータ） (2024-09-23T17:11:04Z)
DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
Information Bottleneck Analysis of Deep Neural Networks via Lossy Compression [37.69303106863453]
Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。本稿では,一般NNのICB解析を行うためのフレームワークを提案する。また,MI力学の新たな特徴を明らかにするため,実規模に近いISB解析を行う。
論文参考訳（メタデータ） (2023-05-13T21:44:32Z)
Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文参考訳（メタデータ） (2021-09-04T08:43:19Z)
Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文参考訳（メタデータ） (2021-07-21T03:34:09Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。