論文の概要: Recent Advances in Deep Learning-Based Drug-Target Binding Affinity Prediction

• arxiv url: http://arxiv.org/abs/2608.13797v1
• Date: Thu, 13 Aug 2026 22:05:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.217081
• Title: Recent Advances in Deep Learning-Based Drug-Target Binding Affinity Prediction
• Title（参考訳）: 深層学習に基づく薬物標的結合親和性予測の最近の進歩
• Abstract要約: 本稿では,薬物結合親和性予測のための最近の機械学習手法のレビューと比較分析を行う。 分析の結果,多くの手法が標準ベンチマークに強い性能を報告しているが,その効果はデータセットバイアスや限られた評価設定の影響を受けやすいことが示唆された。 データセットの不均衡、標準化された評価の欠如、現実世界の適用可能性の制限、コールドスタートシナリオにおける課題など、現在のアプローチのいくつかの制限を特定します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational approaches to drug discovery involve multiple sub-problems, and among them, drug-target binding affinity prediction plays an important role. Despite recent advances, accurately predicting binding affinity remains an open research area. The major objective of our paper is to perform a comprehensive review and comparative analysis of recent machine learning methods for drug-target binding affinity prediction, with a focus on identifying strengths, limitations, and research gaps. We review representative recent deep learning approaches that use common benchmark datasets and evaluation metrics, covering a range of neural network architectures and representation strategies. In addition, we analyze seven widely used benchmark datasets and commonly adopted evaluation metrics for drug-target binding affinity prediction. Our analysis indicates that although many methods report strong performance on standard benchmarks, their effectiveness is often influenced by dataset bias and limited evaluation settings. Furthermore, most methods exhibit reduced performance in cold-start scenarios, highlighting challenges in generalization. We identify several limitations of current approaches, including dataset imbalance, the lack of standardized evaluation, limited real-world applicability, and challenges in cold-start scenarios. We also discuss future research directions, including better dataset design, more robust evaluation methods, improved handling of cold-start problems, and the integration of multimodal representations.
• Abstract（参考訳）: 薬物発見への計算的アプローチには、複数のサブプロブレムが含まれており、その中でも、薬物-標的結合親和性予測が重要な役割を担っている。 近年の進歩にもかかわらず、結合親和性を正確に予測することは、まだオープンな研究領域である。 本研究の目的は,近年の薬物-標的結合親和性予測における機械学習手法の総合的なレビューと比較分析を行い,強度,限界,研究ギャップの同定に焦点をあてることである。 我々は、一般的なベンチマークデータセットと評価指標を使用して、ニューラルネットワークアーキテクチャと表現戦略を網羅する、最近の代表的ディープラーニングアプローチについてレビューする。 さらに,広く使用されている7つのベンチマークデータセットを分析し,薬物-標的結合親和性予測のための評価指標を広く採用した。 分析の結果,多くの手法が標準ベンチマークに強い性能を報告しているが,その効果はデータセットバイアスや限られた評価設定の影響を受けやすいことが示唆された。 さらに、ほとんどの手法は、コールドスタートシナリオにおける性能の低下を示し、一般化における課題を強調している。 データセットの不均衡、標準化された評価の欠如、現実世界の適用可能性の制限、コールドスタートシナリオにおける課題など、現在のアプローチのいくつかの制限を特定します。 また、より優れたデータセット設計、より堅牢な評価方法、コールドスタート問題処理の改善、マルチモーダル表現の統合など、今後の研究方向性についても論じる。

関連論文リスト

• AI-Generated Image Detection: An Empirical Study and Future Research Directions [6.891145787446519]
  AIが生成するメディア、特にディープフェイクによって引き起こされる脅威は、鑑識にとって重大な課題を提起している。 いくつかの法医学的手法が提案され、それらは3つの重大なギャップに悩まされている。 これらの制限は、公正な比較、曖昧な真の堅牢性、およびセキュリティクリティカルなアプリケーションのデプロイメントを制限する。
  論文  参考訳（メタデータ） (2025-11-04T18:13:48Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• DATABench: Evaluating Dataset Auditing in Deep Learning from an Adversarial Perspective [70.77570343385928]
  内的特徴(IF)と外的特徴(EF)(監査のための技術導入)に依存した既存手法の分類を新たに導入する。 回避攻撃(evasion attack)は、データセットの使用を隠蔽するために設計されたもので、偽造攻撃(forgery attack)は、未使用のデータセットを誤って含んでいることを意図している。 さらに,既存手法の理解と攻撃目標に基づいて,回避のための分離・除去・検出,偽造の逆例に基づく攻撃方法など,系統的な攻撃戦略を提案する。 私たちのベンチマークであるData dataBenchは、17の回避攻撃、5の偽攻撃、9の攻撃で構成されています。
  論文  参考訳（メタデータ） (2025-07-08T03:07:15Z)
• Epistemic Uncertainty-aware Recommendation Systems via Bayesian Deep Ensemble Learning [2.3310092106321365]
  より堅牢で信頼性の高い予測を生成するために,アンサンブルに基づくスーパーモデルを提案する。 また,ユーザとアイテムの埋め込みに対して,解釈可能な非線形マッチング手法を導入する。
  論文  参考訳（メタデータ） (2025-04-14T23:04:35Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Towards a more inductive world for drug repurposing approaches [0.545520830707066]
  ドラッグ・ターゲット・インタラクション(DTI)の予測は、薬物再資源化において重要な課題である。 DTI予測法は一般化に欠け, インフレーション性能を損なうことを示す。 そこで本研究では, 生物学的に駆動される負のエッジサブサンプリングの戦略を提案し, 新たに発見された相互作用が真であることをin vitroで検証した。
  論文  参考訳（メタデータ） (2023-11-21T15:28:44Z)
• ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons [23.9530536685668]
  本稿では,基本的な予測ニーズを評価するための統一プラットフォームとして設計されたベンチマークツールであるProbTSを紹介する。 異なる予測条件から生じる特徴的データの特徴を識別する。 本稿では, 時系列予測の最新モデルについて検討し, 方法論的強度と弱点の分析も適用可能であることを明らかにする。
  論文  参考訳（メタデータ） (2023-10-11T12:48:45Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation [48.294903659573585]
  本稿では,多段階アプローチの親和性学習を単一段階モデルに組み込むことを提案する。 深層ニューラルネットワークは、トレーニングフェーズで包括的なセマンティック情報を提供するために使用される。 提案手法の有効性を評価するため,PASCAL VOC 2012データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-08-03T07:48:33Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)

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。