論文の概要: Chemical and geometric representation fidelity improves drug--target affinity prediction

• arxiv url: http://arxiv.org/abs/2609.13230v1
• Date: Wed, 02 Sep 2026 08:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.661764
• Title: Chemical and geometric representation fidelity improves drug--target affinity prediction
• Title（参考訳）: 化学および幾何学的表現の忠実さは薬物の親和性を予測する
• Abstract要約: 薬物-標的結合親和性(DTA)の予測には、分子認識の基礎となる微妙な化学的および構造的決定因子を区別するモデルが必要である。 近年のアプローチでは、よりリッチな薬物やタンパク質の情報が含まれており、相互作用モデリングの前に親和性関連性の違いが失われている。 分子表現における親和性関連化学物質の不均一性を維持する表現保存フレームワークであるReGeoDTAを開発した。
• 参考スコア（独自算出の注目度）: 33.22101070531337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting drug--target binding affinity (DTA) requires models to distinguish subtle chemical and structural determinants underlying molecular recognition. Although recent approaches increasingly incorporate richer drug and protein information, such information may be compressed, homogenized or discretized during representation construction, causing affinity-relevant distinctions to be lost before interaction modelling. We hypothesized that this representation-stage information loss constitutes an upstream bottleneck that cannot be reliably overcome by increasingly complex interaction predictors. To test this hypothesis, we developed ReGeoDTA, a representation-preserving framework that maintains affinity-relevant chemical heterogeneity in molecular representations and continuous geometric relationships in protein structures. Across three benchmark datasets, ReGeoDTA consistently improved affinity prediction, and the proposed representation-preserving strategies retained their benefits across diverse DTA architectures. Controlled representation degradation progressively reduced predictive performance, whereas increasing downstream predictor complexity failed to recover information lost during representation construction. These findings identify representation fidelity as an upstream design principle for accurate and generalizable drug--target affinity prediction, with potential implications for computational compound prioritization.
• Abstract（参考訳）: 薬物-標的結合親和性(DTA)の予測には、分子認識の基礎となる微妙な化学的および構造的決定因子を区別するモデルが必要である。 近年のアプローチでは、よりリッチな薬物やタンパク質の情報を取り込む傾向にあるが、そのような情報は表現構築中に圧縮、均質化、あるいは識別され、相互作用モデリングの前に親和性関連性の違いが失われる。 我々は、この表現段階の情報損失が上流のボトルネックとなり、ますます複雑な相互作用予測器では確実に克服できないと仮定した。 この仮説を検証するために,分子表現における親和性関連化学物質の不均一性とタンパク質構造における連続的幾何学的関係を維持する表現保存フレームワークReGeoDTAを開発した。 3つのベンチマークデータセットを通じて、ReGeoDTAはアフィニティ予測を継続的に改善し、提案された表現保存戦略は、さまざまなDTAアーキテクチャのメリットを維持した。 制御された表現劣化は、徐々に予測性能を低下させたが、下流予測器の複雑さは、表現構築中に失われた情報を回復できなかった。 これらの結果から, 表現忠実度は, 正確かつ一般化可能な薬物親和性予測のための上流設計原理であり, 計算化合物の優先順位付けに潜在的に影響を及ぼす可能性が示唆された。

関連論文リスト

• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Drug Synergy Prediction via Residual Graph Isomorphism Networks and Attention Mechanisms [3.073484266148604]
  Intention Mechanism(ResGIN-Att)と統合されたResidual Graph Isomorphism Networkと呼ばれる新しいモデルを導入する。 このモデルは、まず、残留グラフ同型ネットワークを用いて、薬物分子のマルチスケールトポロジカルな特徴を抽出し、残留結合が深層での過剰な平滑化を緩和する。その後、適応長短期記憶(LSTM)モジュールは、局所からグローバルスケールまでの構造情報を融合する。最後に、クロスアテンションモジュールは、薬物と薬物の相互作用を明示的にモデル化し、重要な化学的サブ構造を特定するように設計されている。
  論文  参考訳（メタデータ） (2026-04-23T09:31:51Z)
• Learning to Align Molecules and Proteins: A Geometry-Aware Approach to Binding Affinity [0.0]
  FIRM-DTIは、機能的に線形な変調層を通じてタンパク質の埋め込みに分子の埋め込みを調節する軽量なフレームワークである。 埋め込み距離で動作するRBF回帰ヘッドは、滑らかで解釈可能な親和性予測をもたらす。 本研究は,ロバストな薬物親和性予測のための条件付けとメートル法学習の価値を裏付けるものである。
  論文  参考訳（メタデータ） (2025-09-25T02:55:24Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• 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。