論文の概要: Few-Shot Bioactivity Prediction with Meta-Learning under Assay Heterogeneity

• arxiv url: http://arxiv.org/abs/2610.07079v1
• Date: Mon, 05 Oct 2026 11:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.543683
• Title: Few-Shot Bioactivity Prediction with Meta-Learning under Assay Heterogeneity
• Title（参考訳）: メタラーニングによる半ショット生物活性予測
• Abstract要約: メタヘタ(MetaHeta)というメタラーニングフレームワークを導入する。メタヘタ(MetaHeta)は,メタヘタ(MetaHeta)というメタラーニングフレームワークで,メタヘタ(MetaHeta)とメタヘタ(MetaHeta)を併用する。 MetaHetaのアーキテクチャは、大規模な補助データセットに対する線形の注意と、タスク固有のコンテキストの不足に対する正確な注意を組み合わせる。 我々は,ChEMBLとBindingDBのアッセイに対するアプローチの利点を実証し,生物活性予測と下流化合物の優先順位付けの改善を図った。
• 参考スコア（独自算出の注目度）: 5.535961659952622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate bioactivity prediction is a central challenge in early-stage drug discovery, as individual assays often contain too few measurements to train reliable models independently. Meta-learning offers a principled approach to this few-shot setting, but assay heterogeneity may limit its effectiveness. Here, we test this hypothesis and show that meta-learning performance degrades as meta-training tasks become more heterogeneous. To address this, we introduce MetaHeta, a meta-learning framework that accounts for assay heterogeneity by conditioning predictions on auxiliary data from related assays, with relatedness defined flexibly from available assay information. The architecture of MetaHeta combines linear attention over large auxiliary datasets with exact attention over scarce task-specific context, enabling efficient scaling to the former without compromising exact attention over the latter. We demonstrate the benefits of our approach on assays from ChEMBL and BindingDB, improving few-shot bioactivity prediction and downstream compound prioritization in retrospective Bayesian optimization.
• Abstract（参考訳）: 正確な生物活性予測は、早期の薬物発見において中心的な課題であり、個々のアッセイには、信頼できるモデルを個別に訓練するには、測定値が少なすぎることがしばしばある。 メタラーニングは、この数ショット設定に対して原則化されたアプローチを提供するが、不均一性は効果を制限する可能性がある。 本稿では,この仮説を検証し,メタ学習タスクが異質になるにつれて,メタ学習性能が低下することを示す。 これを解決するために,メタヘタ(MetaHeta)というメタラーニングフレームワークを導入する。メタヘタ(MetaHeta)は,メタヘタ(MetaHeta)と呼ばれるメタヘタ(MetaHeta)というメタラーニングフレームワークである。 MetaHetaのアーキテクチャは、大規模な補助データセットに対する線形の注意とタスク固有のコンテキストに対する正確な注意を組み合わせることで、後者に対する正確な注意を損なうことなく、前者への効率的なスケーリングを可能にする。 我々はChEMBLとBindingDBのアッセイに対するアプローチの利点を実証し、ベイズ最適化における生物活性予測と下流化合物の優先順位付けを改善した。

関連論文リスト

• Structured Gaussian Processes for Uncertainty-Aware Classification of High-Dimensional, Small-Sampled Omics Data [5.649446622508846]
  不均一なオミクスデータの分類は、計算生物学における根本的な課題である。 グラフ符号化された生物学的経路を直接カーネル構築に統合する構造付きガウスプロセス分類フレームワークを提案する。 提案手法を3つの公開腸および糞便マイクロバイオームデータセットでベンチマークした。
  論文  参考訳（メタデータ） (2026-07-02T12:37:40Z)
• Retrieval-Augmented Multimodal Learning for Enzyme-Substrate Interaction Prediction Under Low-Homology Shift [15.372448178786797]
  RAMMESIは、堅牢な予測のための検索拡張マルチモーダルフレームワークである。 双方向の相互作用モデリングを通じて、酵素-基質の明示的な表現を学習する。 推論時に隣の酵素を回収し、基質と再結合し、結果のペアワイズ予測を文脈的証拠として集約する。
  論文  参考訳（メタデータ） (2026-06-22T04:01:18Z)
• Probabilistic Contrastive Pretraining for Multi-task ADME Property Prediction [1.2070251470948772]
  吸収、分布、代謝、排ガス特性の正確な予測は、薬物発見に不可欠である。 化学固有の自己超越と対照的な相互情報機械学習(cMIM)を組み合わせた分子グラフ変換プリトレーニングフレームワークを提案する。 本手法は,分子グラフを潜伏変数にエンコードし,グラフ由来潜伏符号からSMILES文字列を再構成し,ドメイン固有の自己制御化学タスクで対照的な目的を増強する。
  論文  参考訳（メタデータ） (2026-06-09T23:03:05Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• SMILES-Mamba: Chemical Mamba Foundation Models for Drug ADMET Prediction [16.189335444981353]
  小分子の薬物の吸収、分布、代謝、排出、毒性を予測することは安全性と有効性を確保するために重要である。 本稿では,ラベル付きデータとラベル付きデータの両方を活用する2段階モデルを提案する。 その結果,SMILES-Mambaは22のADMETデータセットの競合性能を示し,14のタスクで最高スコアを達成した。
  論文  参考訳（メタデータ） (2024-08-11T04:53:12Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Embracing assay heterogeneity with neural processes for markedly improved bioactivity predictions [0.276240219662896]
  リガンドの生物活性を予測することは、コンピュータ支援薬物発見において最も困難かつ最も重要な課題の1つである。 長年のデータ収集とキュレーションの努力にもかかわらず、生物活性データは希少で不均一である。 異種アッセイ間の情報シナジーを利用した階層型メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T16:26:58Z)
• 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)

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。