論文の概要: Improving Molecular-Morphology Contrastive Pretraining using Deep-Learning-based Morphology Profiles

• arxiv url: http://arxiv.org/abs/2609.30433v1
• Date: Thu, 24 Sep 2026 18:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.101102
• Title: Improving Molecular-Morphology Contrastive Pretraining using Deep-Learning-based Morphology Profiles
• Title（参考訳）: 深層学習に基づく形態素プロファイルを用いた分子モルフォロジーコントラスト事前学習の改善
• Abstract要約: 近年,画像ベースのプロファイリング技術により,高体積細胞形態データの収集が可能となった。 我々は,細胞プロファイラから抽出した形態素指紋に小さな分子の埋め込みを整列させる戦略を開発した。 深層学習に基づく細胞画像符号化パイプラインを用いて,より機能豊富な形態素プロファイルを抽出する手法を拡張した。
• 参考スコア（独自算出の注目度）: 3.7384586209209814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in image-based profiling techniques have enabled the collection of high-volume cell morphology data, allowing new molecular embedding models to learn from the experimental phenotypic perturbations of a molecule in a cell. Previously, we developed Molecule-Morphology Contrastive Pretraining (MoCoP), a strategy for aligning small molecule embeddings to morphology fingerprints extracted through CellProfiler. The resulting molecular representation showed transferable performance for quantitative structure--activity relationship (QSAR) prediction tasks. Here, we extend the method by using a deep-learning-based cell image encoding pipeline to extract more feature-rich morphology profiles and align them to the molecular embeddings through contrastive learning. The new embeddings encode more accurate information on how molecules perturb cell morphology and enable improvements for QSAR predictions through either fixed-embedding linear probes or fully flexible fine-tuning. Morphology retrieval performance scales log-linearly with training data size, suggesting continued improvements as larger datasets become available. The improved MoCoP v2 also achieves superior performance on toxicity prediction and competitive results on ADME and activity benchmarks, when compared with existing molecular embedding models that use both cell morphology and transcriptomic data during training.
• Abstract（参考訳）: 画像ベースのプロファイリング技術の最近の進歩により、高体積の細胞形態データの収集が可能となり、新しい分子埋め込みモデルが細胞内の分子の実験的表現型摂動から学習できるようになった。 従来我々は,細胞プロファイラから抽出した形態素指紋に小さな分子を埋め込む手法であるMoCoP (Moecule-Morphology Contrastive Pretraining) を開発した。 その結果, 定量的構造-活性相関(QSAR)予測タスクにおいて, 伝達可能な性能を示した。 そこで本研究では, 深層学習に基づく細胞画像符号化パイプラインを用いて, より機能豊富な形態素プロファイルを抽出し, コントラスト学習により分子埋め込みに整合させる手法を拡張した。 新しい埋め込みは、分子がどのように細胞形態を摂動させ、固定埋め込み線形プローブまたは完全に柔軟な微調整によってQSAR予測の改善を可能にするか、より正確な情報をエンコードする。 形態素検索のパフォーマンスは、トレーニングデータサイズとともにログリニアにスケールし、より大きなデータセットが利用可能になるにつれて、継続的な改善が提案される。 改良されたMoCoP v2は、トレーニング中に細胞形態と転写学的データの両方を使用する既存の分子埋め込みモデルと比較して、ADMEおよび活性ベンチマークにおける毒性予測および競合結果の優れた性能を実現する。

関連論文リスト

• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Molecule-Morphology Contrastive Pretraining for Transferable Molecular Representation [0.0]
  分子グラフと細胞形態のマルチモーダル表現を学習するためのフレームワークであるMoCoP(Moecule-Morphology Contrastive Pretraining)を紹介する。 我々は、JUMP-CPコンソーシアムのデータを用いて、MoCoPを約100K分子と600K形態素にスケールする。 この結果から,MoCoPを用いた細胞形態と分子グラフの統合により,QSARモデルの性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2023-04-27T02:01:41Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
  分子特性予測の新しいモデルであるMeta-MGNNを提案する。 ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。 2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-02-16T01:55:34Z)

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。