Fugu-MT 論文翻訳(概要): Benchmarking graph-based models for in-silico toxicity prediction in drug discovery

論文の概要: Benchmarking graph-based models for in-silico toxicity prediction in drug discovery

arxiv url: http://arxiv.org/abs/2609.37555v1
Date: Tue, 29 Sep 2026 13:31:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.559314
Title: Benchmarking graph-based models for in-silico toxicity prediction in drug discovery
Title（参考訳）: 薬物発見におけるシリカ内毒性予測のためのグラフベースのベンチマークモデル
Abstract要約: 化学毒性の早期予測は、下流のコストを削減し、化合物の優先順位付けを改善するために不可欠である。グラフ深層学習(GDL)は毒性予測の強力なパラダイムとして登場した。本稿では,GDLに基づく毒性予測のための統一的で標準化されたベンチマークフレームワークを提案する。
参考スコア（独自算出の注目度）: 1.2425910171551517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Drug discovery is a costly and high-risk process, where toxicity-related failures remain a major cause of attrition in both preclinical and clinical stages. As a result, accurate early prediction of chemical toxicity is essential to reduce downstream costs and improve compound prioritization. In this context, graph deep learning (GDL) has emerged as a powerful paradigm for toxicity prediction, leveraging molecular graph representations to learn directly from chemical structure with improved expressivity over traditional approaches. Despite the growing number of proposed models, current literature-based comparisons are often difficult to interpret due to inconsistencies in datasets, preprocessing pipelines, and evaluation protocols. To address this limitation, we introduce a unified and standardized benchmarking framework for GDL-based toxicity prediction. We systematically evaluate more than 20 representative approaches under consistent experimental conditions and across multiple datasets and partitioning strategies, enabling a fair and reproducible comparison of model performance. In addition, we complement this empirical study with a structured literature analysis to contextualize existing methodological trends and performance claims. Our results provide a clearer and more reliable assessment of the current state of the field, highlighting both the strengths and limitations of existing graph-based approaches. To support transparency and reproducibility, we release our benchmarking framework as open-source software https://gitlab.citius.gal/noel.suarez/benchtox, allowing the community to evaluate and compare models under consistent conditions.
Abstract（参考訳）: 薬物発見は高価でリスクの高いプロセスであり、毒性に関連する障害は、前臨床段階と臨床段階の両方において致命的な原因である。その結果、下流のコストを低減し、化合物の優先順位付けを改善するためには、化学毒性の正確な早期予測が不可欠である。この文脈では、グラフ深層学習(GDL)が毒性予測の強力なパラダイムとして登場し、分子グラフ表現を利用して化学構造から直接学習し、従来のアプローチよりも表現性を向上させる。提案されたモデルが増えているにもかかわらず、データセットや前処理パイプライン、評価プロトコルの不整合のため、現在の文献ベースの比較では解釈が難しい場合が多い。この制限に対処するため,我々はGDLに基づく毒性予測のための統一的で標準化されたベンチマークフレームワークを導入する。我々は、一貫した実験条件下で、複数のデータセットと分割戦略をまたいだ20以上の代表的アプローチを体系的に評価し、モデル性能の公平かつ再現可能な比較を可能にする。さらに,この実証研究を構造化文献解析で補完し,既存の方法論的傾向と性能的主張を文脈的に分析する。この結果から,既存のグラフベースのアプローチの長所と短所を明確かつ信頼性の高い評価を行うことができた。透明性と再現性をサポートするため、私たちはオープンソースのソフトウェアhttps://gitlab.citius.gal/noel.suarez/benchtoxとしてベンチマークフレームワークをリリースしました。

関連論文リスト

The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models [0.1274452325287335]
12の病理基盤モデル(PFM)とResNetのベースラインをベンチマークした。 PFMは、堅牢性とドメインの一般化の両方においてCNNを一貫して上回っているが、モデルスケーリングはリターンの低下を示している。 NR-Kfold解析では,訓練とテストの類似性が破られた場合,系統的精度の低下と変動の増大が明らかになった。
論文参考訳（メタデータ） (2026-07-05T16:49:09Z)
Learning Diagnostic Reasoning for Decision Support in Toxicology [34.623049546258294]
緊急毒性学への最初の強化学習(Reinforcement Learning, RL)であるDeToxRを提案する。 14種類の物質クラスにまたがる多ラベル予測のためのロバストなデータ融合エンジンを設計する。臨床成績報酬を直接利用してモデルの推論を最適化する。
論文参考訳（メタデータ） (2026-03-31T11:26:45Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
Benchmarking Early Deterioration Prediction Across Hospital-Rich and MCI-Like Emergency Triage Under Constrained Sensing [0.0]
早期劣化予測のためのリーク対応ベンチマークフレームワークを提案する。病院に豊富なトリアージとバイタルオンリーのMCIライクな設定を比較し,プレゼンテーション開始後1時間以内に利用可能な情報への入力を制限する。
論文参考訳（メタデータ） (2026-02-09T09:32:49Z)
Procrustean Bed for AI-Driven Retrosynthesis: A Unified Framework for Reproducible Evaluation [0.0]
RetroCastは、異種モデルの出力を共通スキーマに標準化する統合評価スイートである。我々は、新しい標準ベンチマークスイートを用いて、検索ベースおよびシーケンスベースの主要なアルゴリズムを評価する。
論文参考訳（メタデータ） (2025-12-08T01:26:39Z)
Detoxifying Large Language Models via Autoregressive Reward Guided Representation Editing [77.75609817898035]
大規模言語モデル(LLM)は、様々なタスクにわたって印象的なパフォーマンスを示してきたが、有害なコンテンツの生成には弱いままである。 textscAutoregressive textscReward textscGuided textscRe presentation textscEditing (ARGRE)を提案する。 ARGREは遅延表現空間内の毒性遷移を明示的にモデル化し、安定かつ正確な報酬誘導編集を可能にする。
論文参考訳（メタデータ） (2025-09-24T03:40:32Z)
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)
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)
Towards a more inductive world for drug repurposing approaches [0.545520830707066]
ドラッグ・ターゲット・インタラクション(DTI)の予測は、薬物再資源化において重要な課題である。 DTI予測法は一般化に欠け, インフレーション性能を損なうことを示す。そこで本研究では, 生物学的に駆動される負のエッジサブサンプリングの戦略を提案し, 新たに発見された相互作用が真であることをin vitroで検証した。
論文参考訳（メタデータ） (2023-11-21T15:28:44Z)

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。