論文の概要: Drug-Target Interaction Prediction via Hierarchical Sequential Cross-Attention over Chemical and Protein Language Models

• arxiv url: http://arxiv.org/abs/2609.34921v1
• Date: Mon, 28 Sep 2026 11:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:43:30.037234
• Title: Drug-Target Interaction Prediction via Hierarchical Sequential Cross-Attention over Chemical and Protein Language Models
• Title（参考訳）: 化学・タンパク質言語モデルに対する階層的逐次的相互認識による薬物・標的相互作用予測
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2664858439061202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting Drug-Target Interactions~(DTIs) is a central task in computational drug discovery, with direct applications in virtual screening, drug repurposing, and therapeutic candidate prioritization. Although recent deep learning methods have improved DTI prediction, many sequence-based models still process drugs and proteins independently and only combine their representations at a late prediction stage. This limits their ability to explicitly model cross-molecular dependencies between chemical substructures and protein sequence regions. In this paper, we propose a sequence-only DTI prediction architecture that combines two pre-trained language models, ChemBERTa for drug SMILES strings and ESM-2 for protein amino acid sequences, with a hierarchical interaction module. The proposed model first extracts contextual representations using pre-trained encoders, then applies 1D convolutional layers to condense local sequence patterns, followed by a sequential bidirectional cross-attention mechanism inspired by the induced-fit view of molecular recognition. Finally, attention-based pooling constructs fixed-size interaction-aware vectors for binary prediction. Experiments on BIOSNAP, Davis, and BindingDB show that the proposed model achieves the best performance on BIOSNAP, matches the best AUROC on Davis, and remains competitive on BindingDB while using only 25.2 million trainable parameters. Ablation results confirm the contribution of both the CNN and cross-attention modules, and cold-start experiments indicate promising generalization to unseen proteins and drugs.
• Abstract（参考訳）: Predicting Drug-Target Interactions〜(DTIs)は、仮想スクリーニング、薬物再資源化、治療候補優先順位付けなど、計算薬物発見における中心的な課題である。 最近のディープラーニング手法ではDTI予測が改善されているが、多くのシーケンスベースのモデルはドラッグとタンパク質を独立に処理し、その表現を後期の予測段階でのみ組み合わせている。 これにより、化学的サブ構造とタンパク質配列領域間の分子間依存関係を明示的にモデル化する能力が制限される。 本稿では,薬物SMILES文字列のChemBERTaとタンパク質アミノ酸配列のESM-2の2つの事前学習言語モデルと階層的相互作用モジュール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次元畳み込み層を局所的な配列パターンの凝縮に適用し,次いで分子認識の適応性に着想を得た逐次的双方向の相互保持機構を提案する。 最後に、アテンションベースのプーリングは、バイナリ予測のための固定サイズ相互作用認識ベクトルを構成する。 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。 アブレーションの結果、CNNとクロスアテンションモジュールの両方の寄与が確認され、冷間開始実験は、見つからないタンパク質や薬物への有望な一般化を示す。

関連論文リスト

• 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)
• Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
  両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。 Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。 また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
  論文  参考訳（メタデータ） (2026-03-30T01:54:03Z)
• 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)
• HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
  本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。 予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。 ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2025-04-02T06:46:28Z)
• 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)
• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU [0.0]
  本稿では,薬物と標的との結合親和性を予測するためのGDGRU-DTA法を提案する。 本モデルは最先端の深層学習法より優れており,本モデルの有効性と優れた特徴捕捉能力を示す。
  論文  参考訳（メタデータ） (2022-04-25T13:21:37Z)
• Pre-training Co-evolutionary Protein Representation via A Pairwise Masked Language Model [93.9943278892735]
  タンパク質配列表現学習の鍵となる問題は、配列中の残基間の共変量によって反映される共進化情報をキャプチャすることである。 Pairwise Masked Language Model (PMLM) と呼ばれる専用言語モデルによる事前学習により,この情報を直接キャプチャする新しい手法を提案する。 提案手法は, 相互関係を効果的に把握し, ベースラインと比較して, 接触予測性能を最大9%向上できることを示す。
  論文  参考訳（メタデータ） (2021-10-29T04:01:32Z)

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。