Fugu-MT 論文翻訳(概要): SMILESGNN: Interpretable Clinical Toxicity Prediction via SMILES-Graph Cross-Attention Fusion

論文の概要: SMILESGNN: Interpretable Clinical Toxicity Prediction via SMILES-Graph Cross-Attention Fusion

arxiv url: http://arxiv.org/abs/2609.28553v1
Date: Wed, 23 Sep 2026 07:51:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.397327
Title: SMILESGNN: Interpretable Clinical Toxicity Prediction via SMILES-Graph Cross-Attention Fusion
Title（参考訳）: SMILESGNN:SMILES-Graph Cross-Attention Fusionによる臨床毒性予測
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.353492152950974
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Drug toxicity prediction is critical for reducing late-stage attrition in drug discovery, yet remains challenging due to severe class imbalance, scaffold-based generalization, and the clinical need for interpretable predictions. Single-modality approaches-SMILES Transformers or graph neural networks capture complementary aspects of molecular structure, while sequence-only models cannot directly provide graph-attributed explanations. We present SMILESGNN, a multimodal architecture that fuses a SMILES Transformer encoder and a GATv2 graph encoder via cross-attention, and SMILESGNN-PT, a variant using a ChemBERTa-2 pretrained backbone. The design retains an explicit graph branch within the predictive pipeline, supporting GNNExplainer-based analysis of substructures associated with toxic predictions. On ClinTox, SMILESGNN achieves AUC-ROC 0.987 and F1 0.906 with only 0.4M parameters, performing competitively with a strong SMILESTransformer and a larger ChemBERTa-2/GATv2 concat-fusion baseline. On Tox21 (12 tasks), SMILESGNN-PT obtains mean AUC-ROC 0.750, comparable to ChemBERTa-2 alone and the same-backbone concat-fusion baseline. Overall, the results suggest that cross-attention is a practical fusion alternative that preserves competitive predictive performance while enabling graph-based interpretability support.
Abstract（参考訳）: 薬物毒性の予測は、薬物発見における後期の阻害を減らすために重要であるが、重度の階級的不均衡、足場に基づく一般化、解釈可能な予測の臨床的必要性により、依然として困難である。単一モダリティアプローチ-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が、シーケンスのみのモデルではグラフ対応の説明は直接提供できない。 SMILESGNNはSMILES TransformerエンコーダとGATv2グラフエンコーダをクロスアテンションで融合するマルチモーダルアーキテクチャであり、SMILESGNN-PTはChemBERTa-2プリトレーニングバックボーンを使用する。この設計は、予測パイプライン内の明示的なグラフブランチを保持し、有害な予測に関連するサブ構造をGNNExplainerで解析する。 ClinToxでは、SMILESGNNはAUC-ROC 0.987とF1 0.906をわずか0.4Mパラメータで達成し、強力なSMILESTransformerとより大きなChemBERTa-2/GATv2融合ベースラインと競合する。 Tox21(12タスク)では、SMILESGNN-PTが平均 AUC-ROC 0.750 を取得し、ChemBERTa-2 に匹敵する。全体として、クロスアテンションは、グラフベースの解釈可能性のサポートを実現しつつ、競合する予測性能を保ちつつ、実用的な融合代替手段であることを示唆している。

関連論文リスト

An Accurate and Interpretable Hyper Graph Neural Network for GBM Survival Prediction [0.0]
Glioblastoma multiforme (GBM) の生存予測には、正確かつ解釈可能なモデルが必要である。両目的を同時に扱うために3つのコンポーネントを集約するマルチモーダルフレームワークを提案する。これは、脳MRIからの解釈可能な生存予測のための、せん断ハイパーグラフの畳み込み、概念ボトルネックの監督、EST正則化を統一する最初の研究である。
論文参考訳（メタデータ） (2026-09-19T08:47:43Z)
ToxLens: A Reproducible Graph-Learning Framework for Leakage-Aware, Uncertainty-Calibrated Molecular Toxicity Prediction [0.0]
ToxLensは、エイムズ変異原性、急性口腔毒性、hERG阻害、およびTox21核受容体およびストレス応答アッセイにまたがる11の毒性エンドポイントのグラフ学習フレームワークである。このワークフローは、保守的な化学キュレーション、球面排除フィルター、リーク対応のUMAP-HDBSCANスプリット、並列グラフ、グローバル機能エンコーダを組み合わせ、遅延結合と結合する。漏れ制御テストフォールドでは、5シードのソフト発声アンサンブルがマシューズ相関係数スコア0.44、受信機動作特性曲線スコア0.83、受信機下領域を達成した。
論文参考訳（メタデータ） (2026-08-31T08:58:51Z)
Graph Diffusion Residuals for Control-Function Instrumental Variables [82.39671985893028]
高容量の第1段階は治療を補間し、結果方程式の残余情報はほとんど残らない。フレキシブル制御機能のための決定論的グラフ拡散残差抽出器であるAdaptive Anisotropic Instrumental Heat Flow (A-IHF) について検討した。 A-IHFは、処理を第一段階の特徴のグラフ上の信号として扱い、パイロット拡散を用いて大きな処理ジャンプを検出し、それらのジャンプのコンダクタンスを減衰させ、スパースグラフ分解剤で生成された制御を計算する。
論文参考訳（メタデータ） (2026-06-12T17:02:53Z)
SynLeaF: A Dual-Stage Multimodal Fusion Framework for Synthetic Lethality Prediction Across Pan- and Single-Cancer Contexts [49.98062629139681]
合成致死率(SL)予測は、がん薬や治療薬の開発を導く上で重要である。既存のマルチモーダル法は、異なる収束速度のためにしばしば「モダリティの怠慢」に悩まされる。本稿では,2段階のマルチモーダル融合フレームワークであるSynLeaFを提案する。
論文参考訳（メタデータ） (2026-03-23T05:55:39Z)
From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文参考訳（メタデータ） (2026-02-20T18:58:43Z)
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)
Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文参考訳（メタデータ） (2025-09-11T13:37:56Z)
MOTGNN: Interpretable Graph Neural Networks for Multi-Omics Disease Classification [8.939868953031976]
本稿では,2次疾患分類のための新規かつ解釈可能なフレームワークである木生成グラフニューラルネット(MOTGNN)とのマルチオミクス統合を提案する。 MOTGNNは、EXtreme Gradient Boosting(XGBoost)を使用して、オミクス固有の教師付きグラフ構築を行い、次いで階層的表現学習のためのモダリティ固有のグラフニューラルネットワーク(GNN)と、クロスオミクス統合のためのディープフィードフォワードネットワークが続く。
論文参考訳（メタデータ） (2025-08-10T19:35:53Z)
ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文参考訳（メタデータ） (2025-07-19T04:46:53Z)
Accelerating Drug Safety Assessment using Bidirectional-LSTM for SMILES Data [0.0]
Bi-Directional Long Short Term Memory (BiLSTM) は、入力分子配列を処理するリカレントニューラルネットワーク(RNN)の変種である。提案した研究は、SMILES文字列にコードされたシーケンシャルパターンを理解することを目的としており、それによって分子の毒性を予測する。
論文参考訳（メタデータ） (2024-07-08T18:12:11Z)

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。