論文の概要: BERT4DTI : BERT-based Model for Predicting Drug-Protein Interactions

• arxiv url: http://arxiv.org/abs/2609.33254v1
• Date: Sun, 27 Sep 2026 05:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:49:30.796096
• Title: BERT4DTI : BERT-based Model for Predicting Drug-Protein Interactions
• Title（参考訳）: BERT4DTI : BERTを用いた薬物とタンパク質の相互作用予測モデル
• Abstract要約: シーケンスベースのDTIモデルは、3つの実用的な制限に直面している。 BERT4DTIは、SMILES文字列をChemBERTaで、アミノ酸配列をProtBERTでコードする。 畳み込み層と多層パーセプトロンを用いて、結果として生じる相互作用特徴を分類する。
• 参考スコア（独自算出の注目度）: 1.3299946892361476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how drugs interact with protein targets is fundamental to drug discovery, drug repurposing and the early identification of promising therapeutic candidates before costly experimental testing. Sequence-based DTI models face three practical limitations: labelled interactions are scarce and unevenly distributed, large pretrained chemical and protein encoders are expensive to fine-tune end-to-end, and independently encoded sequences do not capture pair-specific dependencies. We present BERT4DTI, which encodes SMILES strings with ChemBERTa and amino-acid sequences with ProtBERT, applies bidirectional mutual attention between token-level representations, and classifies the resulting interaction features using convolutional layers and a multilayer perceptron. To reduce trainable size, ProtBERT is truncated to 18 retained layers and only the last two layers of each encoder are fine-tuned. On BIOSNAP, DAVIS and BindingDB, BERT4DTI is competitive, achieving the best ROC-AUC and PR-AUC on BIOSNAP and the highest sensitivity on all three benchmarks. An ablation on DAVIS shows that mutual attention improves PR-AUC and specificity. With 125M trainable parameters compared with 353M for full BERT fine-tuning, BERT4DTI provides a favourable performance-parameter trade-off for sequence-based DTI screening, while leaving runtime profiling, calibration and leakage-audited validation for future work.
• Abstract（参考訳）: 薬物がタンパク質標的とどのように相互作用するかを理解することは、薬の発見、薬物再精製、そして有望な治療候補の早期発見に、費用がかかる試験の前に基礎となる。 ラベル付き相互作用は乏しく、不均一に分散し、大きな事前訓練された化学およびタンパク質エンコーダは、エンドツーエンドを微調整するために高価であり、独立に符号化されたシーケンスは、ペア固有の依存関係をキャプチャしない。 本稿では, SMILES文字列をChemBERTa, アミノ酸配列をProtBERTで符号化したBERT4DTIを提案する。 トレーニング可能なサイズを減らすため、ProtBERTは18の保持層に切り離され、各エンコーダの最後の2層のみが微調整される。 BIOSNAP、DAVIS、BindingDBではBERT4DTIは競争力があり、BIOSNAP上で最高のROC-AUCとPR-AUCを達成し、3つのベンチマークで最高感度を達成している。 DAVISのアブレーションは、相互注意がPR-AUCと特異性を改善することを示している。 BERTファインチューニングの353Mと比較して125Mのトレーニング可能なパラメータを使用すると、BERT4DTIはシーケンスベースのDTIスクリーニングに好適なパフォーマンスパラメータトレードオフを提供すると同時に、実行時プロファイリング、キャリブレーション、リーク監査による検証を将来の作業に残している。

関連論文リスト

• Drug-Target Interaction Prediction via Hierarchical Sequential Cross-Attention over Chemical and Protein Language Models [1.2664858439061202]
  本稿では,事前に訓練された2つの言語モデル,薬物SMILES文字列のChemBERTaとタンパク質アミノ酸配列のESM-2を組み合わせたシーケンスのみのDTI予測アーキテクチャを提案する。 提案したモデルでは,まず事前学習したエンコーダを用いて文脈表現を抽出し,次いで1次元畳み込み層を用いて局所的なシーケンスパターンを凝縮する。 BIOSNAP、Davis、BindingDBの実験では、提案されたモデルはBIOSNAPで最高のパフォーマンスを達成し、Davisで最高のAUROCと一致し、BindingDBでは2520万のトレーニング可能なパラメータしか使用していない。
  論文  参考訳（メタデータ） (2026-09-28T11:25:04Z)
• ProbeMatchDTI: Probe-Driven Multi-Scale Biochemical Pattern Matching for Drug-Target Interaction Prediction [14.120721961446522]
  薬物-標的相互作用(DTI)予測は、AIによる薬物発見において重要な課題である。 本稿では,IterProbe と BindingProbe を組み合わせたパターン型フレームワーク ProbeMatchDTI を提案する。
  論文  参考訳（メタデータ） (2026-09-02T13:00:50Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• BEAST: Efficient Tokenization of B-Splines Encoded Action Sequences for Imitation Learning [24.858548048614878]
  B-spline Encoded Action Sequence Tokenizer (BEAST)について述べる。 BEAST は B-splines を用いて、アクションシーケンスをコンパクトな離散トークンまたは連続トークンにエンコードする。 BEASTは166のシミュレーションタスクと8つの実世界のタスクからなる3つの異なるロボット設定からなる3つの確立されたベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-06-06T13:26:16Z)
• MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation [64.4838301776267]
  マルチチャネルインタラクションネットワーク(MIN)はドラッグ・ターゲット・インタラクション(DTI)を予測するための新しいフレームワークである MINには、表現学習モジュールとマルチチャネルインタラクションモジュールが組み込まれている。 MINはDTI予測の強力なツールであるだけでなく、タンパク質結合部位の予測に関する新たな洞察も提供する。
  論文  参考訳（メタデータ） (2024-11-23T05:38:36Z)
• Pretraining Without Attention [114.99187017618408]
  本研究では、状態空間モデル(SSM)に基づくシーケンスルーティングの最近の進歩を利用して、注意を払わずに事前学習を探索する。 BiGS は GLUE 上で BERT の事前トレーニング精度と一致し、近似なしで 4096 トークンの長期事前トレーニングに拡張できる。
  論文  参考訳（メタデータ） (2022-12-20T18:50:08Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)

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。