論文の概要: Can phenotypic activity be predicted without experimental readouts?

• arxiv url: http://arxiv.org/abs/2610.07997v1
• Date: Tue, 06 Oct 2026 08:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.907202
• Title: Can phenotypic activity be predicted without experimental readouts?
• Title（参考訳）: 実験的読み出しなしで表現型活性を予測できるか?
• Abstract要約: CLOOMEやCellCLIPのような2つの分子形態データに比較して事前訓練された分子エンコーダは、表現型予測のための安価なサロゲートとして提案されている。 分子エンコーダのこのアイデアを, 明らかな性能を向上できる2つのコンファウンドを制御可能なプロトコルで評価する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular encoders contrastively pretrained on paired molecule-morphology data, such as CLOOME and CellCLIP, have been proposed as cheap surrogates for phenotypic prediction, avoiding the need to run a Cell Painting assay. We evaluate this idea for these molecular encoders under a protocol designed to control for two confounds that can inflate apparent performance: leakage across an encoder's own pretraining boundary, and the correlation between phenotypic activity and cytotoxicity. Testing six representations, including a non-pretrained MLP control matching CLOOME's input and layer count, on two distinct Cell Painting screens, we find that once these confounds are controlled for, the pretrained molecular encoders show no clear advantage over plain physicochemical descriptors, and that toxicity is generally easier to predict than phenotypic activity across representations. Our results suggest leakage-aware, confound-controlled evaluation should be standard practice before phenotype-pretrained encoders are trusted as surrogates for phenotypic drug discovery.
• Abstract（参考訳）: CLOOMEやCellCLIPのような2つの分子形態データに比較して事前訓練された分子エンコーダは、表現型予測のための安価なサロゲートとして提案されており、セルペイントアッセイの実行を回避している。 我々は,これらの分子エンコーダのこの概念を,エンコーダ自身の事前学習境界を越える漏洩と,表現型活性と細胞毒性の相関性という,明らかな性能を向上できる2つのコンファウンドの制御のために設計されたプロトコル下で評価する。 CLOOMEの入力値と層数に一致しないMLP制御を含む6つの表現を、CLOOMEの2つの異なるセルペイント画面上でテストしたところ、これらのコンファウンドが制御されると、前処理された分子エンコーダは、通常の物理化学的記述子に対して明確な優位性を示しず、一般的に、毒性は表現間の表現特異性よりも容易に予測できることが判明した。 本研究は,表現型薬剤発見のサロゲートとして,表現型抑制エンコーダが信頼される前に,情報漏洩を意識したコンファウンド制御評価を標準化すべきであることが示唆された。

関連論文リスト

• Conditional Neural Optimal Transport for Predicting Cellular Phenotypes from Molecular Structure [1.4199474167684114]
  画像表現空間における誘導的条件伝達問題として分子誘起表現型予測を定式化する。 本稿では,分子調和型ニューラル最適輸送モデルを提案する。 NOTは、顕微鏡関連技術変化を減少させながら、分子特異的な表現型効果を回復する。
  論文  参考訳（メタデータ） (2026-08-14T13:25:04Z)
• DBMol: Design of High-Affinity, Target-Specific Small Molecules through Structure Prediction Models [45.51018046127832]
  小分子は承認された治療の大きな部分を占める。 構造予測の最近の進歩は、正確な生体分子相互作用予測を可能にする。 我々はDBMolを紹介した。DBMolはデノボ小分子設計のための新しい構造誘導フレームワークである。
  論文  参考訳（メタデータ） (2026-07-21T16:07:07Z)
• Can Tabular In-Context Learners Generalize to Biomolecular Property Prediction? [9.660361234692143]
  限られたラベル付きデータから生体分子特性を予測することは、タンパク質工学と小分子設計における中心的なボトルネックである。 タブラル基礎モデルは, 表現表現と結合した場合のみ, 強い生体分子予測因子となりうることを示す。
  論文  参考訳（メタデータ） (2026-06-30T04:41:52Z)
• Training distribution determines the ceiling of drug-blind cancer sensitivity prediction [0.304585143845864]
  精密腫瘍学では、どの薬が特定の腫瘍をその分子プロファイルから抑制するかを予測する必要がある。 薬物表現の複雑化にもかかわらず,薬の盲目感受性の予測は低下している。
  論文  参考訳（メタデータ） (2026-05-20T08:24:56Z)
• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• 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)
• Conformal Drug Property Prediction with Density Estimation under Covariate Shift [36.55557979582956]
  Conformal Prediction (CP) は、分子特性の予測セットをカバレッジ保証付きで作成するための有望なツールである。 ほとんどのデータセットは限られたラベル付きデータを含んでいるが、これは分子が引き出される広大な化学空間を表すものではないかもしれない。 CoDrugは、トレーニングデータと非ラベルデータの両方を活用するエネルギーベースモデルと、分子集合の密度を評価するためにカーネル密度推定(KDE)を採用している。
  論文  参考訳（メタデータ） (2023-10-18T15:17:10Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• High throughput screening with machine learning [18.152525914196993]
  本研究では,分子結合親和性の予測における機械学習手法の有効性を評価する。 モデルは、タンパク質と小さな有機分子のペアのための阻害定数$K_i$の点で結合親和性を予測するように訓練された。
  論文  参考訳（メタデータ） (2020-12-15T13:19:03Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)

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。