論文の概要: ProMeta: Few-shot PROTAC-targeted degradation prediction across E3 ligases
- arxiv url: http://arxiv.org/abs/2609.09891v1
- Date: Wed, 09 Sep 2026 08:47:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.957094
- Title: ProMeta: Few-shot PROTAC-targeted degradation prediction across E3 ligases
- Title（参考訳）: ProMeta: E3リガーゼによるProTAC標的分解予測
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.869088808030078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proteolysis-targeting chimeras (PROTACs) have emerged as a transformative therapeutic strategy that selectively degrades historically ''undruggable'' targets via the ubiquitin-proteasome system. Despite growing efforts to develop computational predictors of PROTAC degradation activity, existing supervised approaches remain severely challenged by data scarcity and imbalance across E3 ligases, limiting their ability to generalize beyond well-studied ligase contexts. In practice, labeled data are heavily concentrated on a few ligases (e.g., CRBN and VHL), while the majority of E3 ligases remain underexplored yet are critical for expanding the design space of targeted degraders. Developing methods that enable robust cross-ligase generalization with minimal labeled data is therefore essential for improving the practical utility of computational PROTAC discovery. We reformulate PROTAC degradation activity prediction across E3 ligases as a few-shot meta-learning problem and present ProMeta, a prototype-based graph neural network trained through episodic meta-learning on source-E3 tasks and evaluated on held-out target-E3 tasks through support-conditioned inference. ProMeta performs inference without updating the encoder by dynamically estimating class prototypes from minimal target-ligase support samples. On the CRBN-to-VHL benchmark, ProMeta achieves AUROC values of 0.796 under K=2, Q=3 and 0.883 under K=2, Q=5, improving by 19.9% and 6.8%, respectively, over the corresponding supervised GNN baseline. Reverse VHL-to-CRBN transfer under the same protocol yielded AUROC values of 0.702 (K=2, Q=3) and 0.821 (K=2, Q=5), confirming bidirectional applicability while revealing direction and data-regime dependence. Together, these results support ProMeta as a practical framework for cross-ligase few-shot prediction under the evaluated support/query protocols.
- Abstract（参考訳）: プロテオリシス標的キメラ(PROTAC)は、ユビキチン-プロテアソーム系を介して歴史的に「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登場した。
PROTAC分解活性の計算予測器を開発する努力が増えているが、既存の教師付きアプローチは、データ不足とE3リガーゼ間の不均衡によって深刻な課題を被り、よく研究されたリガーゼコンテキストを超えて一般化する能力を制限している。
実際には、ラベル付きデータはいくつかのリガーゼ(例えば、CRBN、VHL)に強く集中しているが、E3リガーゼの大部分は未探索のままであるが、ターゲットとするデグライヤーの設計空間を拡大するためには重要なものである。
したがって、最小ラベル付きデータによる堅牢なクロスリガーゼの一般化を可能にする手法の開発は、計算ProTAC発見の実用性の向上に不可欠である。
本稿では,E3リガーゼ間のProTAC分解活性予測を数ショットのメタラーニング問題として再検討し,ソース-E3タスクのエピソードメタラーニングによって訓練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ProMetaについて,サポート条件付き推論を用いて評価する。
ProMetaは、最小限のターゲットリガーゼサポートサンプルからクラスプロトタイプを動的に推定することで、エンコーダを更新せずに推論を実行する。
CRBN-to-VHLベンチマークでは、ProMetaはK=2、Q=3、0.883のAUROC値をK=2、Q=5で達成し、それぞれ19.9%、GNNベースラインで6.8%改善した。
同じプロトコル下での逆VHL-to-CRBN転送では、AUROC値は0.702 (K=2, Q=3) と0.821 (K=2, Q=5) となり、双方向適用性を確認しながら方向とデータ-登録依存性を明らかにした。
これらの結果と合わせて,ProMetaは,評価されたサポート/クエリプロトコルの下で,クロスリガーゼによる数ショットの予測を行うための実践的なフレームワークである。
関連論文リスト
- DegradeQuery: Counterfactual Tuple Pretraining for Context-Aware PROTAC Degradation Prediction [18.81893983662407]
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。
論文 参考訳（メタデータ） (2026-08-11T07:25:41Z) - DREAM Technical Report [53.37525197047151]
DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。
DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。
第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
論文 参考訳（メタデータ） (2026-08-10T10:35:32Z) - TrAC: Trace-Conditioned Answer Consistency for Efficient Uncertainty Quantification in LLMs [5.676157325165344]
大規模言語モデル (LLM) は、しかしながら、誤った答えにつながるような、流動的な推論トレースを生成することができる。
TrACは、ある完了した推論トレースに固定されたアクティブ信号とパッシブ信号を組み合わせた正当性管理の不確実性定量化フレームワークである。
TrACはマクロAUROCを1.8%改善し、AURCを8サンプルの自己一貫性に対して3.4%削減する。
論文 参考訳（メタデータ） (2026-08-01T03:43:31Z) - 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) - Multi-Objective Reinforcement Learning for Generating Covalent Inhibitor Candidates [0.0]
共役阻害剤候補を生成するための機械学習パイプラインを提案する。
上皮成長因子受容体(EGFR)とアセチルコリンエステラーゼ(ACHE)の2つの標的に適用される。
パイプライン再粘着剤は1万構造ランで最大0.50%(EGFR)と0.74%(ACHE)の割合で共有結合阻害剤として知られている。
論文 参考訳（メタデータ） (2026-04-21T21:54:53Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - dTRPO: Trajectory Reduction in Policy Optimization of Diffusion Large Language Models [71.26391195427878]
拡散大言語モデル(dLLM)は、言語生成の新しいパラダイムを導入する。
本研究は,軌道確率計算のコストを削減し,dLLMのポリシー最適化を改善することを目的とする。
我々は、7B dLLMのdTRPOを命令追従と推論のベンチマークで評価した。
論文 参考訳（メタデータ） (2026-03-19T11:55:52Z) - Unearthing Gems from Stones: Policy Optimization with Negative Sample Augmentation for LLM Reasoning [41.83677588934301]
負のサンプル拡張(BCPG-NSA)による行動制約付きポリシーのグラディエントを提案する。
BCPG-NSA は,1) サンプルセグメンテーション,2) LLM と PRM を併用した合意に基づくステップ正当性評価,3) 正のステップを負のサンプル内で効果的にマイニングするNSA とのポリシー最適化の3段階を含む,詳細なオフラインフレームワークである。
実験の結果、BCPG-NSAは、同じトレーニングデータセットを使用して、いくつかの挑戦的な数学/コーディング推論ベンチマークのベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-05-20T14:16:49Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object
Detection [76.42897462051067]
3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。
教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。
本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
論文 参考訳（メタデータ） (2020-12-08T11:06:26Z)
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。