論文の概要: Towards AI-Driven Nanomedicine Discovery: A Benchmark and Multimodal Learning Framework for Nano Self-Assembly Prediction

• arxiv url: http://arxiv.org/abs/2609.04278v1
• Date: Thu, 03 Sep 2026 01:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.763266
• Title: Towards AI-Driven Nanomedicine Discovery: A Benchmark and Multimodal Learning Framework for Nano Self-Assembly Prediction
• Title（参考訳）: AI駆動型ナノメディシン発見を目指して - ナノアセンブリ予測のためのベンチマークとマルチモーダル学習フレームワーク
• Abstract要約: 我々は、NSAの予測を分子対間の自己集合を予測する二項分類タスクとして定式化する。 NSA-Benchは、培養された分子の組み合わせ、実験条件、自己組織化ラベル、標準化された評価プロトコルに関する最初の公開ベンチマークです。 NSA-Netはグラフトポロジー、シーケンスセマンティクス、物理化学的記述子から相補的な分子証拠を統合し、分子対表現を学ぶ。
• 参考スコア（独自算出の注目度）: 13.869117424277022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nano self-assembly organizes molecular components into bioactive nanoscale structures. Self-assembled nanoparticles (NAPs) derived from Chinese herbal formulas and applications such as anti-lung-cancer therapy demonstrate the substantial potential of self-assembly for nanomedicine discovery. Yet discovery still relies on costly wet-lab screening, while existing machine learning approaches lack standardized tasks, effective pairwise compatibility modeling, and public benchmarks with unified evaluation. To address these limitations, we formalize NSA prediction as a binary classification task for predicting self-assembly between molecular pairs and then establish NSA-Bench, the first public benchmark with curated molecular combinations, experimental conditions, self-assembly labels, and standardized evaluation protocols. We further develop NSA-Net, an interaction-aware multimodal framework that integrates complementary molecular evidence from graph topology, sequence semantics, and physicochemical descriptors to learn molecular-pair representations for self-assembly prediction. Extensive experiments on NSA-Bench show that NSA-Net achieves a ROC-AUC of $0.9470\pm0.0112$ (Small) and $0.9492\pm0.0062$ (Large). On the Small track, it surpasses the strongest machine-learning and graph-based baselines by 3.9 and 17.1 percentage points, respectively. Representation analyses reveal interpretable molecular characteristics associated with self-assembly prediction captured by the learned representations. Moreover, an NSA-Agent case study further demonstrates how NSA-Net predictions can support formulation refinement through experimental-condition-aware reasoning. Our code is available at https://github.com/developer-hq/NSA-Net.
• Abstract（参考訳）: ナノ自己組織化は分子成分を生物活性ナノスケール構造にまとめる。 自己組立ナノ粒子 (NAPs) は漢方式から派生し, 抗肺がん療法などの応用により, ナノメディシン発見における自己組立の可能性を示す。 既存の機械学習アプローチでは、標準化されたタスク、効果的なペアワイド互換性モデリング、統一された評価を備えた公開ベンチマークが欠如している。 これらの制限に対処するため、我々はNSA予測を分子対間の自己集合を予測するための二項分類タスクとして形式化し、その後、分子結合、実験条件、自己集合ラベル、標準化された評価プロトコルを備えた最初の公開ベンチマークであるNSA-Benchを確立する。 さらに、グラフトポロジ、シーケンスセマンティクス、物理化学記述子から相補的な分子証拠を統合し、自己集合予測のための分子対表現を学習する、相互作用対応マルチモーダルフレームワークであるNSA-Netを開発した。 NSA-Benchの大規模な実験によると、NSA-Net は 0.9470\pm0.0112$ (Small) と $0.9492\pm0.0062$ (Large) のROC-AUCを達成している。 スモールトラックでは、最強の機械学習とグラフベースのベースラインをそれぞれ3.9ポイントと17.1ポイント上回る。 表現解析により,学習した表現によって得られた自己集合予測に関連付けられた解釈可能な分子特性が明らかになった。 さらに、NSA-Agentのケーススタディでは、実験条件対応推論を通じて、NSA-Net予測が定式化の洗練をサポートする方法が示されている。 私たちのコードはhttps://github.com/developer-hq/NSA-Net.comで公開されています。

関連論文リスト

• NeuroClaw Technical Report [54.14941057366186]
  NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。 NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。 3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
  論文  参考訳（メタデータ） (2026-04-27T16:57:14Z)
• Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
  ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。 この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-01-25T04:23:34Z)
• LANTERN: A Machine Learning Framework for Lipid Nanoparticle Transfection Efficiency Prediction [22.613971394957368]
  効率的な脂質ナノ粒子(LNP)を介するRNA輸送のための新しいイオン化可能な脂質は、RNAベースの治療開発において重要なボトルネックとなっている。 近年の進歩は、分子構造からの透過効率を予測する機械学習(ML)の可能性を強調している。 ここでは, イオン化可能な脂質表現に基づく透過効率予測のための堅牢なMLフレームワークであるLANTERNを提案する。
  論文  参考訳（メタデータ） (2025-07-03T22:49:49Z)
• Learning Hierarchical Interaction for Accurate Molecular Property Prediction [8.488251667425887]
  Hierarchical Interaction Message Net (HimNet)は、ADMETプロファイルを予測するための新しいディープラーニングモデルである。 HimNetは、ほとんどの分子特性予測タスクにおいて、最高の、または最も近いパフォーマンスを達成する。 HimNetは、分子活性とADMET特性予測のための正確で効率的なソリューションであると考えています。
  論文  参考訳（メタデータ） (2025-04-28T15:19:28Z)
• AI-Powered Prediction of Nanoparticle Pharmacokinetics: A Multi-View Learning Approach [5.912585771981805]
  既存のAI駆動アプローチは、AI駆動の予測に依存しているが、NPプロパティについて学ばない。 この研究は、データ効率のよいAI駆動の薬物発見と精密ナノメディシンの基礎を築いた。
  論文  参考訳（メタデータ） (2025-03-18T01:09:32Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Combating small molecule aggregation with machine learning [0.0]
  我々は,小コロイド凝集分子(SCAMs)に自信と知性を持ってフラグを付けるベスポーク機械学習ツールを提案する。 我々のデータは、詐欺を予測するための機械学習の先例のない有用性を示し、困難なサンプル外検証において正しい予測の80%を達成する。
  論文  参考訳（メタデータ） (2021-05-01T14:41:01Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)
• Deep Molecular Programming: A Natural Implementation of Binary-Weight ReLU Neural Networks [7.700240949386079]
  本稿では,シリコで訓練されたBinaryConnectニューラルネットワークを等価な化学反応ネットワークにコンパイルする方法を示す。 私たちの研究は、ニューラルネットワークと分子プログラミングコミュニティ間の豊富な知識伝達のステージを設定します。
  論文  参考訳（メタデータ） (2020-03-30T18:12:11Z)

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。