論文の概要: HierDTA: Hierarchical Structure-Aware Representation Learning for Drug--Target Affinity Prediction

• arxiv url: http://arxiv.org/abs/2610.27001v1
• Date: Mon, 19 Oct 2026 09:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.418318
• Title: HierDTA: Hierarchical Structure-Aware Representation Learning for Drug--Target Affinity Prediction
• Title（参考訳）: HierDTA: 薬物親和性予測のための階層構造認識表現学習
• Abstract要約: DTA予測のための階層構造認識フレームワークであるHierDTAを紹介する。 HierDTAは、各薬物を原子-モチーフ不均一グラフとして表現する。 タンパク質の場合、キナーゼドメイン構造は残基相互作用グラフに変換される。
• 参考スコア（独自算出の注目度）: 10.302834895286523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug--target affinity (DTA) prediction plays an important role in computer-aided drug discovery, where reliable computational models can help prioritize compound--protein pairs before experimental validation. A key challenge in DTA prediction is to effectively mine multi-level molecular information from drug structures while accurately modeling the binding-site environment of target proteins. To address these issues, we introduce HierDTA, a hierarchical structure-aware framework for DTA prediction. \textcolor{black}{HierDTA represents each drug as an atom--motif heterogeneous graph and introduces an augmentation module that propagates functional-motif semantics to the corresponding atoms. For proteins, kinase-domain structures are converted into residue interaction graphs. The resulting atom and residue representations are integrated using cross-attention to capture pair-specific relationships, while molecule fingerprints and pretrained ESM-2 embeddings provide complementary global information. Compared with state-of-the-art methods, HierDTA achieves superior performance on the Davis dataset across all metrics and attains the highest \(r_m^2\) of 0.791 on KIBA. It also exhibits strong generalization under cold-start settings, particularly on KIBA, where MSE is reduced by 21.7\% in the unseen-protein scenario. Ablation study and interpretability analysis supported the contributions of the hierarchical augmentation and interaction components.} Case studies further showed that HierDTA provided early enrichment of candidate bioactive compounds. These results indicate that HierDTA is an effective framework for affinity prediction and target-specific virtual screening.
• Abstract（参考訳）: ドラッグ・ターゲット親和性(DTA)予測は、信頼性の高い計算モデルが実験的な検証の前に複合タンパク質対を優先順位付けするのに役立ち、コンピュータ支援薬物発見において重要な役割を果たす。 DTA予測の重要な課題は、標的タンパク質の結合部位環境を正確にモデル化しながら、薬物構造から多レベル分子情報を効果的に抽出することである。 これらの問題に対処するために、DTA予測のための階層構造認識フレームワークであるHierDTAを紹介する。 \textcolor{black}{HierDTAは、各薬物を原子モチーフの不均一なグラフとして表現し、対応する原子に機能モチーフのセマンティクスを伝達する拡張モジュールを導入する。 タンパク質の場合、キナーゼドメイン構造は残基相互作用グラフに変換される。 得られた原子と残基の表現は、クロスアテンションを用いてペア固有の関係を捕捉し、一方分子指紋と事前訓練されたESM-2埋め込みは相補的なグローバル情報を提供する。 最先端の手法と比較して、HierDTAはすべてのメトリクスでDavisデータセット上で優れたパフォーマンスを達成し、KIBAで0.791の最高値(r_m^2\)を達成した。 また、低温開始条件下での強い一般化も示しており、特にKIBAでは、MSEは非タンパク質のシナリオでは21.7%減少している。 アブレーション研究と解釈可能性分析は階層的増強と相互作用成分の寄与を支持した。 以上の結果より,HierDTAは生物活性化合物を早期に濃縮したことが示唆された。 これらの結果から,HierDTAは親和性予測やターゲット固有の仮想スクリーニングに有効なフレームワークであることが示唆された。

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)
• LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction [6.065808462922399]
  既存の手法は、現実的なコールドスタートシナリオにおいて大きなパフォーマンス劣化に悩まされる。 堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。
  論文  参考訳（メタデータ） (2026-03-16T03:46:51Z)
• 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)
• HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
  本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。 予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。 ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2025-04-02T06:46:28Z)
• GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
  薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。 我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-11-03T03:17:09Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• 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)
• 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。