MambaTransDTA: A Hybrid Mamba-Transformer Architecture for Accurate Drug-Target Binding Affinity Prediction
Notice bibliographique
Résumé
In recent years, deep learning techniques have made significant advances in drug-target affinity (DTA) prediction. However, existing models still have considerable room for improvement in prediction accuracy, robustness, and generalization ability. To address these challenges, we present a novel hybrid model, MambaTransDTA, which integrates the Mamba architecture with the Transformer architecture to optimize drug-target interaction prediction. By combining Mamba's ability to capture long-range dependencies with the Transformer's modeling of local interactions, MambaTransDTA estimates drug-target affinity more comprehensively and achieves notable performance improvements. On the four benchmark data sets, MambaTransDTA demonstrates exceptional prediction accuracy, achieving mean squared error (MSE) values of 0.191 (Davis), 0.173 (KIBA), 0.302 (Metz) and 0.715 (BindingDB). These results represent a significant improvement over the next best existing model, with relative error reductions of 4.3% (Davis), 3.3% (KIBA), 4.7% (Metz) and 10.5% (BindingDB). Ablation experiments and analysis of different hybridization strategies confirm that the proposed MambaTransDTA architecture significantly improves prediction performance by fully leveraging the strengths of both architectures. Therefore, MambaTransDTA is poised to become an essential tool for AI-driven drug discovery. Our data and code are available at https://github.com/pdssunny/MambaTransDTA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».