論文の概要: ProbeMatchDTI: Probe-Driven Multi-Scale Biochemical Pattern Matching for Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2609.02549v1
• Date: Wed, 02 Sep 2026 13:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.338168
• Title: ProbeMatchDTI: Probe-Driven Multi-Scale Biochemical Pattern Matching for Drug-Target Interaction Prediction
• Title（参考訳）: ProbeMatchDTI: 薬物・標的相互作用予測のためのプローブ駆動多スケールバイオケミカルパターンマッチング
• Abstract要約: 薬物-標的相互作用(DTI)予測は、AIによる薬物発見において重要な課題である。 本稿では,IterProbe と BindingProbe を組み合わせたパターン型フレームワーク ProbeMatchDTI を提案する。
• 参考スコア（独自算出の注目度）: 14.120721961446522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-target interaction (DTI) prediction is an important task in AI-driven drug discovery. Although recent biochemical representation learning methods have improved DTI prediction, their passive feature aggregation tends to favor dominant molecular patterns while suppressing weak yet binding-relevant signals, such as functional groups and residue-context patterns, limiting the modeling of multi-scale biochemical correspondences. To address this issue, we propose ProbeMatchDTI, a pattern-probe-driven framework comprising IterProbe and BindingProbe. IterProbe explicitly retains contextual states across refinement depths and uses learnable probes to select them at each position before cross-entity matching, thereby preserving weak biochemical patterns and strengthening associations among functional groups, local motifs, and molecular scaffolds. BindingProbe then characterizes cross-entity drug-protein complementarity at local biochemical-unit and whole-pair levels, jointly modeling fine-grained interactions and multi-scale correspondences while preserving weaker binding-relevant associations. Extensive experiments demonstrate the superiority of ProbeMatchDTI, achieving 2.0% and 0.5% higher AUC-ROC on BindingDB and DrugBank, respectively. Feature-level pattern analyses further characterize its probe-driven behavior in cross-scale biochemical pattern matching. We further connect ProbeMatchDTI predictions with an evidence-guided downstream drug-discovery workflow, demonstrating their utility for candidate refinement and validation planning. Our code is available at https://github.com/developer-hq/ProbeMatchDTI
• Abstract（参考訳）: 薬物-標的相互作用(DTI)予測は、AIによる薬物発見において重要な課題である。 最近の生化学的表現学習法はDTI予測を改善しているが、それらの受動的特徴凝集は、機能基や残基-コンテキストパターンなどの弱い結合関連シグナルを抑えつつ、多スケールの生化学的対応のモデリングを制限しながら、支配的な分子パターンを優先する傾向にある。 この問題に対処するため、IterProbeとBindingProbeで構成されるパターンプローブ駆動のフレームワークであるProbeMatchDTIを提案する。 IterProbeは、微細化深度を横断する文脈状態を維持し、学習可能なプローブを使用して、整合性マッチングの前に各位置でそれらを選択することにより、弱い生化学的パターンを保存し、官能基、局所モチーフ、分子足場間の関連性を強化する。 次に、BingProbeは、局所的な生化学的単位と全ペアレベルの薬物タンパク質の相互結合を特徴付け、より弱い結合関連関係を維持しながら、きめ細かな相互作用とマルチスケールの対応を共同でモデル化する。 大規模な実験では、BindingDB と DrugBank でそれぞれ2.0% と 0.5% の AUC-ROC を達成し、ProbeMatchDTI の優位性を実証している。 機能レベルのパターン解析は、クロススケールな生化学パターンマッチングにおけるプローブ駆動の挙動をさらに特徴付ける。 我々はさらに、ProbeMatchDTI予測を証拠に導かれた下流の薬物発見ワークフローと結びつけて、候補の洗練と検証計画のための有用性を実証する。 私たちのコードはhttps://github.com/developer-hq/ProbeMatchDTIで利用可能です。

関連論文リスト

• Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning [0.015229507502478598]
  本稿では, 分子グラフ, タンパク質言語モデル, および相互作用モデリングを改善するための結合部位予測から, マルチモーダル埋め込みを統合する, 対照的な学習フレームワークを提案する。 本研究は,マルチモーダル情報を比較対象に組み込むことにより,対話予測精度を高め,仮想スクリーニング分割に対してより解釈可能で信頼性の高いモデルを提供することの利点を強調した。
  論文  参考訳（メタデータ） (2026-01-09T13:39:49Z)
• 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)
• FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction [23.03214707776537]
  本稿では,トークンレベルのFusionモジュールを用いてドラッグ・ターゲットインタラクションの詳細な情報を学習するFusionDTIという新しいモデルを提案する。 特に、FusionDTIモデルでは、医薬品のSELFIES表現を使用して、配列フラグメントの無効化を軽減しています。 提案したFusionDTIモデルは,既存の7つの最先端ベースラインと比較して,DTI予測において最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-03T14:48:54Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• 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)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
  薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す 従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。 本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T14:25:28Z)
• 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)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)

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。