Fugu-MT 論文翻訳(概要): Bison: Cross-Dataset Learning for Unseen-Compound Perturbation Prediction

論文の概要: Bison: Cross-Dataset Learning for Unseen-Compound Perturbation Prediction

arxiv url: http://arxiv.org/abs/2609.32467v1
Date: Sat, 26 Sep 2026 10:58:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 08:50:51.227418
Title: Bison: Cross-Dataset Learning for Unseen-Compound Perturbation Prediction
Title（参考訳）: Bison: 予期せぬ摂動予測のためのクロスデータセット学習
Abstract要約: 私たちはChem-PerturBridgeを使って、8つのデータセットを16,771の化合物でベンチマークします。高総合的な反応合意は、薬物特有の差異の弱い予測と共存することができる。 8つのデータセットで共同でトレーニングされた1つのバイソンモデルでは、Pearsonの相関が最大となる。
参考スコア（独自算出の注目度）: 60.9298168217299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting transcriptional responses to unseen compounds is limited by fragmented chemical coverage and heterogeneous experimental platforms and gene panels. To assess molecular generalization across these settings, we build on Chem-PerturBridge to benchmark eight datasets with 16,771 compounds, withholding test compounds from every training dataset. This comparison reveals that high overall response agreement can coexist with weak prediction of drug-specific differences, despite reproducible signals across repeated measurements. To exploit complementary chemical supervision while targeting these differences, we introduce Bison: a shared gene representation connects native panels, while two discrete diffusion models compose context-dependent responses with molecular deviations learned through matched drug-contrast supervision. A single Bison model jointly trained across all eight datasets achieves the highest mean overall-response and drug-contrast Pearson correlations on the full benchmark in comparison with 11 methods trained independently per dataset. Compared with dataset-specific training of the same architecture, joint training increases mean drug-contrast correlation by 27.4\%, with gains across all eight datasets and improvements in overall response prediction. These results demonstrate how matched drug contrasts turn complementary screens into shared molecular supervision for unseen-drug response prediction while preserving native gene measurements.
Abstract（参考訳）: 未知の化合物に対する転写反応の予測は、断片化された化学的カバレッジと不均一な実験プラットフォームと遺伝子パネルによって制限される。これらの設定における分子の一般化を評価するために、Chem-PerturBridgeを使用して、16,771の化合物を含む8つのデータセットをベンチマークし、トレーニングデータセットごとにテスト化合物を保持します。この比較により、再現可能な信号が繰り返し測定されるにもかかわらず、高い反応一致は薬物特有の差異の弱い予測と共存できることが明らかとなった。共通遺伝子表現はネイティブパネルを結合し、2つの離散拡散モデルは、一致した薬物コントラストの監督を通して学習された分子偏差による文脈依存的な応答を構成する。すべての8つのデータセットで共同でトレーニングされた1つのバイソンモデルは、データセット毎に個別にトレーニングされた11のメソッドと比較して、ベンチマーク全体の平均的な全体応答と薬物コントラストのピアソン相関を達成する。同じアーキテクチャのデータセット固有のトレーニングと比較して、ジョイントトレーニングはドラッグコントラストの相関を27.4 %増加させ、全8つのデータセットにまたがって増加し、全体の反応予測が改善される。これらの結果は、一致した薬物のコントラストが、遺伝子測定を保ちながら、相補的なスクリーンを、未知の薬物反応予測のための共有分子監視にどのように変換するかを示す。

関連論文リスト

Chemical and geometric representation fidelity improves drug--target affinity prediction [33.22101070531337]
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。
論文参考訳（メタデータ） (2026-09-02T08:37:36Z)
DPTM-DT: Dual-Pretrained Transformer Multitask Representation Learning for Drug-Target Prediction [2.7074235008521246]
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。
論文参考訳（メタデータ） (2026-08-28T03:44:30Z)
BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。 CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
論文参考訳（メタデータ） (2026-08-06T11:58:29Z)
Chem-PerturBridge: a harmonized compendium of small molecule perturbation transcriptomic effects [4.860649440823431]
Chem-PerturBridgeは、37k以上の化合物、136の細胞コンテキスト、1.25Mの転写サンプルからなる、調和したマルチデータセット資源である。このリソースを使用して、データセット間での一致条件の一致を評価し、データセット内での一致を再現します。
論文参考訳（メタデータ） (2026-05-29T16:38:30Z)
A Large-Scale Dataset and Benchmark: Do Protein-Ligand Models Learn Binding Sites or Just Binding Likelihood? [29.589714550752348]
約100kのタンパク質-リガンドペアからなる大規模タンパク質-リガンドデータセットであるInteractBindを紹介した。中心となるきめ細かいタスクは、バインディングサイトローカライゼーションである。我々は,既存の8つのシーケンスベースおよび相互作用認識モデルを評価し,バイナリ結合予測と結合部位の局所化を評価する。
論文参考訳（メタデータ） (2026-05-21T20:50:03Z)
Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
論文参考訳（メタデータ） (2025-06-13T15:27:40Z)
Co-modeling the Sequential and Graphical Routes for Peptide Representation Learning [67.66393016797181]
本稿では,表現の相互情報を強化するためのペプチド共モデリング手法RepConを提案する。 RepConは、正のサンプルペア間の表現の一貫性を高め、負のペア間の表現を撃退することを学ぶ。この結果から,コモデリング手法が独立モデルよりも優れていること,コモデリングフレームワーク下での他の手法よりもRepConの方が優れていることが示唆された。
論文参考訳（メタデータ） (2023-10-04T16:58:25Z)
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)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
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)

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。