CardiGraphormer: Unveiling the Power of Self-Supervised Learning in Revolutionizing Drug Discovery

要約

約15,000種類の医薬品が知られているが、承認されているのは約4,200種類に過ぎないという創薬の広大な領域では、化学空間のコンビナトリアルな性質が手ごわい挑戦となっている。人工知能（AI）が強力な味方として台頭してきた一方で、従来のAIフレームワークは大きなハードルに直面している。この原稿では、自己教師あり学習（SSL）、グラフ・ニューラル・ネットワーク（GNN）、カーディナリティ保存注意（Cardinality Preserving Attention）を相乗的に活用し、創薬に革命をもたらす画期的なアプローチ、CardiGraphormerを紹介する。GraphormerとCardinality Preserving Attentionの新しい組み合わせであるCardiGraphormerは、SSLを活用して強力な分子表現を学習し、GNNを採用して分子フィンガープリントを抽出する。分子構造のような複雑なデータの扱いに優れ、ノード、ノードのペア、サブグラフ、またはグラフ構造全体に関連するタスクを実行する。CardiGraphormerが創薬や薬物相互作用に応用できる可能性は、新薬ターゲットの同定から薬物間相互作用の予測、新規創薬の実現に至るまで、膨大な分野に及ぶ。この革新的なアプローチは、SSLとGNNを組み合わせることで、既存の限界を克服し、創薬における広大なコンビナトリアルケミカルスペースをより豊かに探索する道を開く、創薬におけるAIを強化した方法論を提供する。

要約(オリジナル)

In the expansive realm of drug discovery, with approximately 15,000 known drugs and only around 4,200 approved, the combinatorial nature of the chemical space presents a formidable challenge. While Artificial Intelligence (AI) has emerged as a powerful ally, traditional AI frameworks face significant hurdles. This manuscript introduces CardiGraphormer, a groundbreaking approach that synergizes self-supervised learning (SSL), Graph Neural Networks (GNNs), and Cardinality Preserving Attention to revolutionize drug discovery. CardiGraphormer, a novel combination of Graphormer and Cardinality Preserving Attention, leverages SSL to learn potent molecular representations and employs GNNs to extract molecular fingerprints, enhancing predictive performance and interpretability while reducing computation time. It excels in handling complex data like molecular structures and performs tasks associated with nodes, pairs of nodes, subgraphs, or entire graph structures. CardiGraphormer’s potential applications in drug discovery and drug interactions are vast, from identifying new drug targets to predicting drug-to-drug interactions and enabling novel drug discovery. This innovative approach provides an AI-enhanced methodology in drug development, utilizing SSL combined with GNNs to overcome existing limitations and pave the way for a richer exploration of the vast combinatorial chemical space in drug discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL