論文の概要: DegradeQuery: Counterfactual Tuple Pretraining for Context-Aware PROTAC Degradation Prediction

• arxiv url: http://arxiv.org/abs/2608.10595v1
• Date: Tue, 11 Aug 2026 07:25:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.949549
• Title: DegradeQuery: Counterfactual Tuple Pretraining for Context-Aware PROTAC Degradation Prediction
• Title（参考訳）: DegradeQuery: コンテキスト対応ProTAC劣化予測のための非現実的なタプル事前トレーニング
• Abstract要約: DegradeQueryはコンテキスト対応の予測フレームワークです。 ラベル消去レコードを事前学習信号に変換する。 公式の PROTAC-8K ベンチマークでは、DegradeQuery は受信者の特性曲線 0.9065 と精度 0.8500 の領域を達成している。
• 参考スコア（独自算出の注目度）: 18.81893983662407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proteolysis-targeting chimeras (PROTACs) induce protein degradation by recruiting a target protein to an E3 ubiquitin ligase, making degradation a joint outcome of the degrader molecule and its biological context. Although public databases contain thousands of structured molecule-target-E3 records, degradation measurements are available for only a small fraction of them. Existing supervised approaches therefore leave most recorded chemical-biological relationships unused. We introduce DegradeQuery, a context-aware prediction framework that converts these label-missing records into a pretraining signal. Its counterfactual tuple pretraining objective contrasts recorded tuples with alternatives formed by replacing the target, the E3 ligase, or both, enabling the model to learn contextual associations without assigning activity pseudo-labels. The resulting representation is then fine-tuned to predict degradation from the complete molecule-target-E3 context. On the official PROTAC-8K benchmark, DegradeQuery achieves an area under the receiver operating characteristic curve of 0.9065 and an accuracy of 0.8500, outperforming the compared methods. Controlled analyses further show that the improvement is primarily attributable to tuple-level pretraining, can be recovered using only label-missing records, and remains complementary to protein language model representations. These findings demonstrate that incompletely labeled PROTAC databases contain useful relational supervision and provide a practical route for learning context-aware degradation predictors from scarce experimental labels.
• Abstract（参考訳）: プロテオリシス標的キメラ(PROTACs)は、標的タンパク質をE3ユビキチンリガーゼにリクルートすることでタンパク質分解を誘導し、分解は分解分子の結合結果とその生物学的文脈を誘導する。 公開データベースには数千の構造化分子-ターゲット-E3レコードが含まれているが、そのごく一部でしか分解測定ができない。 既存の監督されたアプローチは、ほとんどの記録された化学と生物学の関係を未使用のまま残している。 DegradeQueryは、ラベルなしレコードを事前学習信号に変換するコンテキスト対応の予測フレームワークである。 その対物的タプル事前学習目的は、記録されたタプルと、ターゲット、E3リガーゼ、またはその両方を置き換えた代替品とを対比し、モデルが活動の擬似ラベルを割り当てることなく文脈的関連を学習できるようにする。 得られた表現は、完全な分子標的-E3コンテキストからの劣化を予測するために微調整される。 公式の PROTAC-8K ベンチマークでは、DegradeQuery は受信側の特性曲線 0.9065 と精度 0.8500 の領域を達成し、比較した手法より優れている。 制御された分析により、改善は主にタプルレベルの事前訓練に起因することが示され、ラベルを欠いたレコードのみを使用して回復でき、タンパク質言語モデル表現に相補的なままである。 これらの結果から,不完全ラベル付き PROTAC データベースは有用なリレーショナル・インテリジェンスを含み,実験ラベルから文脈認識型劣化予測器を学習するための実践的な経路を提供することがわかった。

関連論文リスト

• Test-Time Unlearning via Sparse Autoencoder [55.4290003355764]
  ARIAは,モデルウェイトをそのまま残して,世代が無視関連状態に入る場合にのみ,不要な知識へのアクセスをゲートするテスト時アンラーニング手法である。 ARIAは、思考モデルと命令モデルの両方にわたるウェイトベースベースラインに対する忘れがちなトレードオフを改善します。
  論文  参考訳（メタデータ） (2026-09-14T18:58:09Z)
• ProMeta: Few-shot PROTAC-targeted degradation prediction across E3 ligases [20.869088808030078]
  プロテオリシス標的キメラ(PROTAC)は、歴史的に「不可能」な標的を選択的に分解する形質転換的治療戦略として出現している。 既存の教師付きアプローチは、E3リガーゼ間のデータの不足と不均衡によって、依然として深刻な課題となっている。 ProMetaは、ソース-E3タスクのエピソードメタ学習を通じてトレーニングされたプロトタイプベースのグラフニューラルネットワークで、ホールドアウトターゲット-E3タスクで評価する。
  論文  参考訳（メタデータ） (2026-09-09T08:47:01Z)
• Robustness of Anomaly Detection Models for Industrial Control Systems under Training-Time Data Contamination [3.7391021139771325]
  本稿では, トレーニング時汚染下でのセキュア水処理ベンチマークにおいて, オフラインICS異常検出パイプラインのロバスト性を評価する。 ランダムインジェクション,類似性目標インジェクション,特徴ノイズインジェクションの3つの汚染手法により,11個の異種異常検出装置を評価した。 その結果、ロバスト性はモデルに依存しており、クリーンデータのパフォーマンスだけでは予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-24T17:49:36Z)
• BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
  BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。 学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。 CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
  論文  参考訳（メタデータ） (2026-08-06T11:58:29Z)
• Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization [64.83565413108789]
  サイクル自己学習(CST)は、標準自己学習フレームワークの共有分類器の仮定を破る。 CSTは、ターゲットの擬似ラベルでトレーニングすることで、ラベルなしのターゲットデータを悪用する。
  論文  参考訳（メタデータ） (2026-06-30T09:05:30Z)
• Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks [0.0]
  本稿では,タンパク質構造とE3リガーゼの同一性のみからproTACを介する分解性を予測するグラフニューラルネットワークであるDegradoMapを提案する。 このモデルは、タンパク質ごとの正規化を伴うリジン重み付きグラフプールを通じて、生物物理学上の先行情報を符号化する。 CRBN->VHL E3-unseenTransferでは0.646+-0.124AUROC、0.811AUROCを達成している。
  論文  参考訳（メタデータ） (2026-06-01T09:39:22Z)
• Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects [4.860649440823431]
  Chem-PerturBridgeは、37k以上の化合物、136の細胞コンテキスト、1.25Mの転写サンプルからなる、調和したマルチデータセット資源である。 このリソースを使用して、データセット間での一致条件の一致を評価し、データセット内での一致を再現します。
  論文  参考訳（メタデータ） (2026-05-29T16:38:30Z)
• Pretrained Model Representations as Acquisition Signals for Active Learning of MLIPs [4.4406458484306555]
  本稿では,事前学習したMLIPの潜伏空間に,効果的な取得に必要な情報が含まれているかを検討する。 我々は、事前訓練されたMACE電位から直接引き起こされる2つの取得信号を紹介する。 この結果から,事前学習は遅延空間形状とモデル誤差とを一致させ,反応MLIP微調整のための実用的かつ十分な取得信号が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-05-05T16:48:23Z)
• SemiETPicker: Fast and Label-Efficient Particle Picking for CryoET Tomography Using Semi-Supervised Learning [10.415301702950376]
  ラベルのないCryoETデータを利用する高速なラベル効率半教師付きフレームワークを提案する。 本フレームワークは,キーポイント検出にインスパイアされたエンド・ツー・エンドのヒートマップ監視検出モデルと,スパースラベリング条件下での性能を高める教師と学生の協調学習機構の2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-10-25T23:09:22Z)
• Contrastive Multi-Task Learning with Solvent-Aware Augmentation for Drug Discovery [3.4776689202566824]
  各種溶媒条件下で生成する配位子コンフォメーションアンサンブルを付加入力として組み込んだ事前学習法を提案する。 トレーニングプロセスは、分子再構成を統合し、局所的な幾何学、原子間距離予測、および対照的な学習を捉え、溶媒不変の分子表現を構築する。 このフレームワークは、溶媒を意識したマルチタスクモデリングをサポートし、ベンチマーク間で一貫した結果を生成する。
  論文  参考訳（メタデータ） (2025-08-03T15:25:42Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
  ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。 これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。 本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:51:10Z)
• Retraining with Predicted Hard Labels Provably Increases Model Accuracy [77.71162068832108]
  リトレーニングは、与えられた(ノイズの多い)ラベルで最初にトレーニングすることで得られる人口の精度を向上させることができる。 予測ラベルが与えられたラベルにマッチするサンプルを選択的に再トレーニングすることで、余分なプライバシコストを伴わずにラベルDPトレーニングを大幅に改善できることを実証的に示す。
  論文  参考訳（メタデータ） (2024-06-17T04:53:47Z)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)

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。