Fugu-MT 論文翻訳(概要): CausalBind: Causal Modeling and Learning for Protein-Molecule Virtual Screening

論文の概要: CausalBind: Causal Modeling and Learning for Protein-Molecule Virtual Screening

arxiv url: http://arxiv.org/abs/2610.07340v1
Date: Mon, 05 Oct 2026 20:14:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:29.643897
Title: CausalBind: Causal Modeling and Learning for Protein-Molecule Virtual Screening
Title（参考訳）: CausalBind:タンパク質分子バーチャルスクリーニングのための因果モデリングと学習
Abstract要約: タンパク質分子仮想スクリーニングは、共有埋め込み空間における表現学習の課題として、ますます採用されている。タンパク質-分子系における結合は、緩やかな相互モダリティ相互作用を伴うことが指摘されている。スパース相互作用パターンを識別・活用するために,CausalBindを3つの実装変種で提案する。
参考スコア（独自算出の注目度）: 13.680279755255157
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Protein-molecule virtual screening is increasingly cast as a problem of representation learning in a shared embedding space. Existing methods rely on dense holistic alignment, entangling invariant binding determinants with nuisance correlations and limiting transfer to new targets. It has been noted that binding in protein-molecule systems involves sparse cross-modality interactions: binding is governed by a small contact interface and a few decisive local interactions (e.g., hydrogen bonds, hydrophobic contacts, and salt bridges) rather than the global structures of the protein and molecule. We hypothesize that uncovering and leveraging sparse interaction patterns is critical for generalization beyond the training data, as these patterns are reusable and expected to improve performance across different scenarios. In this paper, we aim to identify and leverage sparse interaction patterns, and verify our hypothesis. Since the training data contain only observed binding pairs, we formalize this prior via a V-structure causal model under Heckman-style selection, and establish three theoretical results: (i) the latent concepts of interacting proteins and molecules are not identifiable without appropriate sparsity constraints; (ii) these concepts and their sparse interactions are component-wise identifiable under structural sparsity conditions; and (iii) a low-rank relaxation of these conditions yields subspace identifiability of the concepts and interactions. Inspired by these principles, we propose CausalBind with three implementation variants. Extensive experiments on DUD-E and LIT-PCBA benchmarks show that all variants consistently outperform strong retrieval baselines, with the largest gains on LIT-PCBA early enrichment, and further generalize to target- and scaffold-level out-of-distribution splits. Code is available at https://github.com/lokali/CausalBind.
Abstract（参考訳）: タンパク質分子仮想スクリーニングは、共有埋め込み空間における表現学習の課題としてますます採用されている。既存の手法では、密集した全体的アライメント、ヌイサンス相関と新しいターゲットへの移動を制限する不変な結合決定因子が絡み合っている。結合は、タンパク質と分子のグローバル構造ではなく、小さな接触界面といくつかの決定的な局所的相互作用(例えば、水素結合、疎水性接触、塩橋)によって制御される。スパース相互作用パターンの発見と活用は、これらのパターンは再利用可能であり、さまざまなシナリオにおけるパフォーマンス向上が期待できるため、トレーニングデータ以外の一般化には不可欠である、という仮説を立てる。本稿では,スパース相互作用パターンの同定と活用を目標とし,仮説の検証を行う。トレーニングデータは観測された結合対のみを含むため、ヘックマン式選択の下でのV構造因果モデルを用いて前者を定式化し、3つの理論的結果を確立する。一相互作用するタンパク質及び分子の潜在概念は、適切な空間的制約なしには識別できない。 (ii)これらの概念とそのスパース相互作用は、構造的疎度条件下でコンポーネント的に識別可能である。 3) これらの条件の低ランクな緩和は、概念と相互作用の部分空間の識別可能性をもたらす。これらの原理に触発され、3つの実装変種を持つCausalBindを提案する。 DUD-E と LIT-PCBA ベンチマークの大規模な実験により、全ての変種は強い検索ベースラインを一貫して上回り、LIT-PCBA の早期増産で最大の利益を上げ、さらにターゲットレベルと足場レベルのアウト・オブ・ディストリビューション・スプリットに一般化した。コードはhttps://github.com/lokali/CausalBind.comで入手できる。

関連論文リスト

A Large-Scale Dataset and Benchmark: Do Protein-Ligand Models Learn Binding Sites or Just Binding Likelihood? [29.589714550752348]
約100kのタンパク質-リガンドペアからなる大規模タンパク質-リガンドデータセットであるInteractBindを紹介した。中心となるきめ細かいタスクは、バインディングサイトローカライゼーションである。我々は,既存の8つのシーケンスベースおよび相互作用認識モデルを評価し,バイナリ結合予測と結合部位の局所化を評価する。
論文参考訳（メタデータ） (2026-05-21T20:50:03Z)
Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding [13.923026855785173]
本稿では,タンパク質-リガンド親和性を予測する自己教師型フレームワークであるHCLBindを紹介する。 HCLBindは、識別インタフェースの特徴を効果的に学習し、堅牢な不確実性推定を提供する。 PDBBindの実験は、HCLBindが識別インタフェースの特徴を効果的に学習し、堅牢な不確実性推定を提供することを示した。
論文参考訳（メタデータ） (2026-05-19T14:33:02Z)
Proteo-R1: Reasoning Foundation Models for De Novo Protein Design [129.2825640976092]
推論誘導型タンパク質設計フレームワークであるbfProteo-R1を紹介する。アンフェロメトリ生成から分子内理解を分離する。 Proteo-R1は、最新の幾何学的生成モデルと推論の安定、解釈可能、モジュール的な統合を実現する。
論文参考訳（メタデータ） (2026-05-01T06:52:27Z)
PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
論文参考訳（メタデータ） (2025-07-07T15:21:05Z)
Variational Learning of Disentangled Representations [2.3713407563738063]
遠方表現は、実験条件間で共有される変動の要因を条件固有である要因と区別することを可能にする。 DISCoVeRは条件不変因子と条件固有因子を明確に分離する新しい変分フレームワークである。 DISCoVeRは, 合成データセット, 自然画像, 単一セルRNA-seqデータにおいて, 歪みを改善できることを示す。
論文参考訳（メタデータ） (2025-06-20T17:36:12Z)
Fast and Accurate Blind Flexible Docking [79.88520988144442]
小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
論文参考訳（メタデータ） (2025-02-20T07:31:13Z)
SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
論文参考訳（メタデータ） (2024-07-10T08:40:07Z)
Protein-ligand binding representation learning from fine-grained interactions [29.965890962846093]
本稿では,タンパク質-リガンド結合表現を自己教師付き学習方式で学習することを提案する。この自己教師付き学習問題は、決定的結合複素構造の予測として定式化される。様々なバインディングタスクに対して,本手法の優位性を示す実験を行った。
論文参考訳（メタデータ） (2023-11-09T01:33:09Z)
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文参考訳（メタデータ） (2022-09-30T01:46:38Z)
Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。それは最先端技術に対する優れた解釈可能性を示している。接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。