論文の概要: Beyond Random Splits: Evaluating Drug-Target Affinity Models Under Chemically and Biologically Motivated Distribution Shifts Copy

• arxiv url: http://arxiv.org/abs/2610.03456v1
• Date: Fri, 02 Oct 2026 15:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.454678
• Title: Beyond Random Splits: Evaluating Drug-Target Affinity Models Under Chemically and Biologically Motivated Distribution Shifts Copy
• Title（参考訳）: ランダムスプリットを超えて:化学的および生物学的に動機付けられた分布シフトコピー下での薬物標的親和性モデルの評価
• Abstract要約: 薬物標的親和性(DTA)予測は、高価な試験スクリーニングの前に候補化合物を優先するために広く用いられている。 アーキテクチャがどのアーキテクチャが最適かを評価するために使用される分散シフトが、どのアーキテクチャに最も適しているかを問う。 Morgan-fingerprint + protein-CNNベースラインと4つの薬物表現と3つのESM-2相互作用モードを組み合わせた12の制御アーキテクチャを比較した。
• 参考スコア（独自算出の注目度）: 1.3688623794228771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-target affinity (DTA) prediction is widely used to prioritize candidate compounds before costly experimental screening. DTA models are often compared under a single data split, even though deployment may require extrapolation to new chemical series, new protein targets, or both. We ask whether the distribution shift used for evaluation changes which architecture appears best. We curate 718,800 unique drug-protein pairs from the ChEMBL and BindingDB datasets. We compare a Morgan-fingerprint + protein-CNN baseline with 12 controlled architectures that combine four drug representations with three ESM-2 interaction modes. Mean validation RMSE increases from 0.950 and 0.945 under scaffold and fingerprint-cluster OOD to 1.299 and 1.321 under protein-cluster and dual OOD. Model rankings are similar across the two chemical shifts (tau = 0.79), but agreement with scaffold OOD falls under protein OOD (tau = 0.39) and reverses under dual OOD (tau = -0.55). Held-out evaluation, repeated seeds, group-aware bootstrap analysis, and a size-matched control support the same conclusion: architecture selection depends on the form of extrapolation, not only on average error or training-set size. DTA benchmarks should therefore match the chemical and target shifts expected at deployment.
• Abstract（参考訳）: 薬物標的親和性(DTA)予測は、高価な試験スクリーニングの前に候補化合物を優先するために広く用いられている。 DTAモデルは、新しい化学系列、新しいタンパク質標的、または両方への外挿を必要とするとしても、単一のデータ分割の下で比較されることが多い。 アーキテクチャがどのアーキテクチャが最適かを評価するために使用される分散シフトが、どのアーキテクチャに最も適しているかを問う。 ChEMBLとBindingDBのデータセットから718,800のユニークな薬物-タンパク質ペアをキュレートする。 Morgan-fingerprint + protein-CNNベースラインと4つの薬物表現と3つのESM-2相互作用モードを組み合わせた12の制御アーキテクチャを比較した。 平均バリデーションRMSEは足場下に0.950と0.945、指紋クラスターOODは1.299と1.321、タンパク質クラスターと二重OODでは1.321に増加する。 モデルランキングは2つの化学シフト (tau = 0.79) で類似しているが、足場OODとの一致はタンパク質OOD (tau = 0.39) に該当し、二重OOD (tau = -0.55) に反する。 アーキテクチャの選択は、平均的なエラーやトレーニングセットのサイズだけでなく、外挿の形式に依存する。 したがって、DTAベンチマークは、デプロイ時に期待される化学および標的シフトと一致すべきである。

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)
• 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)
• Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter [1.1986159241687198]
  我々は,グラフニューラルネットワーク(GNN)の補助的監視として使用される安価でクローズドな物理先行性により,OODの一般化が向上するかどうかを問う。 我々はGINEのバックボーンに2つの補助的損失を加え、Bertz指数によるトポロジカルな複雑性の回帰とMMFF94力場エネルギーによるひずみエネルギーのソフトペナルティを加えた。 3つの物理学を意識した変種はいずれも、ベースラインよりも小さいが統計的に有意なOOD改善を与える。
  論文  参考訳（メタデータ） (2026-06-10T20:21:56Z)
• From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation [0.0]
  本研究では,薬物・薬物相互作用(DDI)予測のための3つのグラフニューラルネットワーク(GNN)アーキテクチャの体系的アブレーション研究について述べる。 3つのアーキテクチャは、同じトレーニング条件下で比較される。 CrossAttはマルチクラスF1マクロをConcat上で+0.186絶対(+45%)改善し、バイナリAUCを+0.012(+1.3%)改善した。 第三次アーキテクチャは、同等のトレーニングデータにもかかわらず、その失敗はトレーニング不安定性の仮説と一致しているにもかかわらず、パフォーマンスが劣る。
  論文  参考訳（メタデータ） (2026-05-27T02:22:44Z)
• Can Molecular Foundation Models Know What They Don't Know? A Simple Remedy with Preference Optimization [54.22711328577149]
  既存の基盤モデルと柔軟に統合可能なプラグイン・アンド・プレイモジュールである,分子適応型参照インスタンスランキング(Mole-PAIR)を導入する。 本手法は既存の分子基盤モデルのOOD検出能力を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-09-29T21:06:52Z)
• Valid Property-Enhanced Contrastive Learning for Targeted Optimization & Resampling for Novel Drug Design [1.4874449172133888]
  VECTOR+は、プロパティ誘導表現学習と制御可能な分子生成を結合するフレームワークである。 VECTOR+は新規で合成抽出可能な候補を生成する。 VECTOR+はキナーゼ阻害剤に一般化し、確立された薬物よりも強いドッキングスコアを持つ化合物を産生する。
  論文  参考訳（メタデータ） (2025-08-31T03:55:29Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• 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)

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。