論文の概要: VINCENT: Validated Interaction Network for Cross-drug Explanation of Therapeutics

• arxiv url: http://arxiv.org/abs/2608.25841v1
• Date: Wed, 26 Aug 2026 14:18:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.858944
• Title: VINCENT: Validated Interaction Network for Cross-drug Explanation of Therapeutics
• Title（参考訳）: VINCENT:治療薬のクロスドラッグ説明のためのインタラクションネットワークの検証
• Authors: Fan-Sheng Chuang, Xuchen Li, Yujing Bian, Kaixiong Zhou,
• Abstract要約: 薬物相乗効果予測は、2つの薬物が個々の活動から予想されるよりも強い関節効果をもたらすかどうかを推定する。 本研究では,各薬品から一対の化学的コヒーレントな領域を同定し,予測された相乗効果に共同して寄与するモチーフペアの相乗効果について検討した。 信頼性の高いモチーフペアの説明は、代わりに化学的に一貫性があり、摂動安定であり、予測的振る舞いと整合するべきである。
• 参考スコア（独自算出の注目度）: 22.10268592425955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug synergy prediction estimates whether two drugs produce a stronger joint effect than expected from their individual activities. For drug combination discovery, a single synergy score is often not enough: researchers also need to know which molecular regions jointly drive the prediction. We study motif-pair synergy explanation, which identifies pairs of chemically coherent regions, one from each drug, that jointly contribute to predicted synergy. Existing interpretable synergy models expose atom- or substructure-level signals, but their explanations are built into the predictor architecture, and none validates cross-drug region scores under repeated perturbations or feeds that evidence back to refine the explanation. A reliable motif-pair explanation should instead be chemically coherent, perturbation-stable, and aligned with predictor behavior. We introduce VINCENT (Validated Interaction Network for Cross-drug Explanation of Therapeutics), a post-training framework for a fixed interaction-aware synergy predictor. VINCENT extracts atom-pair evidence from attention and gradient signals, groups atoms into chemically coherent motifs, and validates candidate motif pairs through repeated local perturbations. The validated evidence is fed back to refine motif assignments, yielding explanations that satisfy these three criteria. On a 25-pair literature-annotated subset, VINCENT achieves a mean motif recall of 0.826 (95% CI: 0.78-0.87), compared with 0.49-0.66 for baselines. Across all 71 test pairs, its validated interaction scores yield a TP/TN separation of 3.36. These results show that closed-loop perturbation validation recovers literature-supported molecular regions more accurately than existing alternatives while producing cross-drug interaction scores that better reflect predictor behavior.
• Abstract（参考訳）: 薬物相乗効果予測は、2つの薬物が個々の活動から予想されるよりも強い関節効果をもたらすかどうかを推定する。 薬物の組み合わせを発見するには、単一のシナジースコアだけでは不十分だ。研究者は、どの分子領域が共同で予測を駆動するかを知る必要がある。 本研究では,各薬品から一対の化学的コヒーレントな領域を同定し,予測された相乗効果に共同して寄与するモチーフペアの相乗効果について検討した。 既存の解釈可能なシナジーモデルは原子レベルの信号やサブ構造レベルの信号を公開するが、それらの説明は予測アーキテクチャに組み込まれており、繰り返しの摂動の下でクロスドラッグ領域のスコアを検証したり、説明を洗練させるためにその証拠をフィードバックしたりしない。 信頼性の高いモチーフペアの説明は、代わりに化学的に一貫性があり、摂動安定であり、予測的振る舞いと整合するべきである。 固定された相互作用認識型シナジー予測器のための後学習フレームワークVINCENT(Validated Interaction Network for Cross-drug Explanation of Therapeutics)を紹介する。 VINCENTは注意信号と勾配信号から原子対の証拠を抽出し、原子を化学的にコヒーレントなモチーフに分類し、繰り返し局所摂動を通して候補モチーフ対を検証する。 検証された証拠はモチーフの割り当てを洗練させ、これらの3つの基準を満たす説明を与える。 25対の文献注釈付きサブセットでは、VINCENTは0.826(95% CI: 0.78-0.87)の平均モチーフリコールを達成するが、ベースラインは 0.49-0.66 である。 71個のテストペア全体で、その評価された相互作用スコアはTP/TN分離率3.36である。 これらの結果から, 閉ループ摂動の検証により, 文献支援分子領域の精度は既存手法よりも向上し, 予測器の挙動を反映したクロスドラッグ相互作用スコアが得られた。

関連論文リスト

• From Cellular Responses to Pharmacological Domains: Multimodal Zero-Shot Drug Representation Learning [13.066474185523319]
  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。
  論文  参考訳（メタデータ） (2026-07-28T06:13:25Z)
• Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
  SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。 SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。 86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-08T17:59:59Z)
• 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)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• Disentangling Causal Substructures for Interpretable and Generalizable Drug Synergy Prediction [24.633440135682605]
  CausalDDSは、薬物分子を因果的および刺激的なサブ構造に分解する新しいフレームワークである。 CaulDDSは、薬物シナジーの根底にある重要なサブ構造を効果的に同定する。
  論文  参考訳（メタデータ） (2025-11-04T00:32:20Z)
• A deep graph model for the signed interaction prediction in biological network [1.03121181235382]
  生物学的ネットワークにおける署名された相互作用の予測は、薬物のメカニズムを理解し、薬物の再利用を促進するために重要である。 textbfRGCNTDは、極性(活性化、阻害など)と非極性(結合、影響など)の両方を予測できるように設計されている。 我々は,新たな評価指標である textitAUCtextsubscriptpolarity と textitCP@500 を導入し,相互作用型を識別するモデルの能力を評価する。
  論文  参考訳（メタデータ） (2024-07-10T04:28:21Z)
• 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)
• 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)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。