論文の概要: DPTM-DT: Dual-Pretrained Transformer Multitask Representation Learning for Drug-Target Prediction

• arxiv url: http://arxiv.org/abs/2609.22184v1
• Date: Fri, 28 Aug 2026 03:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.761448
• Title: DPTM-DT: Dual-Pretrained Transformer Multitask Representation Learning for Drug-Target Prediction
• Title（参考訳）: DPTM-DT:Dual-Pretrained Transformer Multitask Representation Learning for Drug-Target Prediction
• Abstract要約: 本稿では,マルチタスクドラッグターゲット予測のための2つの事前学習型トランスフォーマフレームワークDPTM-DTを提案する。 DPTM-DTは、GROVER分子グラフ埋め込み、ESMタンパク質言語モデル埋め込み、CTD物理化学的記述子を組み合わせている。 共有ペア表現は、連続親和性回帰、高親和性二分分類、および6レベル親和性分類に使用される。
• 参考スコア（独自算出の注目度）: 2.7074235008521246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug-target relation prediction supports candidate screening, drug repositioning, and mechanism analysis. Existing models often use incomplete drug or protein representations, model cross-modal interactions shallowly, or train affinity regression and interaction classification separately, although these tasks describe closely related views of the same drug-target pair. This paper presents DPTM-DT, a dual-pretrained Transformer framework for multitask drug-target prediction. DPTM-DT combines GROVER molecular graph embeddings, ESM protein language-model embeddings, and CTD physicochemical descriptors, then exchanges drug-target information through bidirectional cross-modal attention. A shared pair representation is used for continuous affinity regression, high-affinity binary classification, and six-level affinity classification. Experiments on Davis and KIBA cover random 80/20 and DeepDTA-style standard splits. On the random 80/20 split, DPTM-DT achieves MSE/CI values of 0.193/0.917 on Davis and 0.120/0.918 on KIBA. It also reports binary AUPR/MCC values of 0.727/0.654 and 0.798/0.689, and six-class Macro-F1/Top-2 values of 0.800/0.932 and 0.815/0.962 on Davis and KIBA, respectively. Across the reported regression, binary classification, and multiclass classification settings, DPTM-DT achieves the best overall performance among the compared methods. Results under the standard split show the same relative trend. Ablations indicate that dual target representation, gated fusion, and cross-modal attention each contribute to the final performance. Code and supplementary materials are available at: anonymous.4open.science/r/DPCM-DT-74E0.
• Abstract（参考訳）: 薬物-標的関係予測は、候補スクリーニング、薬物再配置、およびメカニズム解析をサポートする。 既存のモデルでは、しばしば不完全な薬物またはタンパク質の表現、モデル間の相互作用を浅く、あるいはアフィニティ回帰と相互作用の分類を個別に訓練するが、これらのタスクは同じ薬物と標的のペアの近縁な見解を記述している。 本稿では,マルチタスクドラッグターゲット予測のための2つの事前学習型トランスフォーマフレームワークDPTM-DTを提案する。 DPTM-DTは、GROVER分子グラフ埋め込み、ESMタンパク質言語モデル埋め込み、CTD物理化学的記述子を結合し、双方向の横断的注意を通して薬物標的情報を交換する。 共有ペア表現は、連続親和性回帰、高親和性二分分類、および6レベル親和性分類に使用される。 DavisとKIBAの実験は80/20とDeepDTAスタイルの標準分割をカバーしている。 ランダム80/20分割では、DPTM-DT は Davis で0.193/0.917 、KIBA で 0.120/0.918 の MSE/CI 値を達成する。 また、AUPR/MCCの値は0.727/0.654と0.798/0.689で、6クラスのマクロF1/Top-2の値は0.800/0.932と0.815/0.962である。 報告された回帰、バイナリ分類、およびマルチクラス分類設定全体にわたって、DPTM-DTは比較した手法の中で最高の全体的な性能を達成する。 標準分割の結果は、同じ相対的な傾向を示す。 アブレーションは、二重ターゲット表現、ゲート融合、および相互注意がそれぞれ最終的なパフォーマンスに寄与していることを示している。 anonymous.4open.science/r/DPCM-DT-74E0

関連論文リスト

• SMILESGNN: Interpretable Clinical Toxicity Prediction via SMILES-Graph Cross-Attention Fusion [6.353492152950974]
  単一モードアプローチ-SMILES変換器またはグラフニューラルネットワークは、分子構造の相補的な側面をキャプチャする。 本稿では,SMILES TransformerエンコーダとGATv2グラフエンコーダを相互接続により融合するマルチモーダルアーキテクチャであるSMILESGNNを提案する。 この設計は、予測パイプライン内に明示的なグラフ分岐を保持し、有害な予測に関連する部分構造のGNNExplainerに基づく分析をサポートする。
  論文  参考訳（メタデータ） (2026-09-23T07:51:46Z)
• CoDMD: Copula-aware Distribution Matching Distillation for Fast Video Generation [50.353919095724315]
  実世界のシナリオにおける効率的な展開の急激な需要により,ビデオ拡散モデルの蒸留が注目されている。 我々は,凍結教師とオンライン偽モデルによって既に生成されているスコア推定を再利用し,対関係行列を構成する軽量リレーショナルレギュレータであるCopula-Aware DMD(CoDMD)を提案する。 1.3Bと14BスケールのWan-2.1-T2Vモデルシリーズで、CoDMDは50ステップの教師を4ステップの学生に蒸留し、VBenchスコア84.46と84.87を達成しながら、およそ25$times$ Speed-upを達成した。
  論文  参考訳（メタデータ） (2026-06-20T10:33:14Z)
• From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation [0.0]
  本研究では,薬物・薬物相互作用(DDI)予測のための3つのグラフニューラルネットワーク(GNN)アーキテクチャの体系的アブレーション研究について述べる。 3つのアーキテクチャは、同じトレーニング条件下で比較される。 CrossAttはマルチクラスF1マクロをConcat上で+0.186絶対(+45%)改善し、バイナリAUCを+0.012(+1.3%)改善した。 第三次アーキテクチャは、同等のトレーニングデータにもかかわらず、その失敗はトレーニング不安定性の仮説と一致しているにもかかわらず、パフォーマンスが劣る。
  論文  参考訳（メタデータ） (2026-05-27T02:22:44Z)
• 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)
• VAMP-Net: An Interpretable Multi-Path Framework of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance [0.0]
  本稿では,解釈可能な可変型マルチパスネットワーク(VAMP-Net)を提案する。 Path-1は、ゲノム座間のエピスタティック相互作用を捉えるために、Set Attention Transformer Processing permutation-invariant variant setを使用する。 Path-2は1D Confabal Networkを使用し、Variant Call Formatの品質指標を分析して信頼性スコアを学習する。
  論文  参考訳（メタデータ） (2025-12-25T21:28:54Z)
• scPPDM: A Diffusion Model for Single-Cell Drug-Response Prediction [44.96130504547205]
  本稿では,ScRNA-seqデータから単一セルの薬物応答予測を行う最初の拡散型フレームワークであるScPPDMを紹介する。 scPPDMは、非結合性GD-Attnを介して一貫した潜伏空間に、摂動前状態と投与量のある薬物の2つの条件チャネルを結合する。
  論文  参考訳（メタデータ） (2025-10-08T16:17:39Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Bilateral Dependency Optimization: Defending Against Model-inversion Attacks [61.78426165008083]
  本稿では,モデル反転攻撃に対する二元的依存性最適化(BiDO)戦略を提案する。 BiDOは、さまざまなデータセット、分類器、MI攻撃に対する最先端の防御性能を達成する。
  論文  参考訳（メタデータ） (2022-06-11T10:07:03Z)
• Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization [16.41618129467975]
  我々は、異なるレイヤが薬物と標的の異なる類似度メトリクスに対応する、多層ネットワークの視点を捉えている。 複数のビューでキャプチャされたトポロジ情報を完全に活用するために,DTI予測のための最適化フレームワーク MDMF を開発した。 このフレームワークは、すべての超分子層にまたがる高次近接を維持するだけでなく、内部積との相互作用を近似する薬物や標的のベクトル表現を学習する。
  論文  参考訳（メタデータ） (2022-01-24T08:02:05Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。