要旨: 薬物探索の最近の進展は、副情報（例：薬物の化学的性質や疾病に関するゲノム情報）の組み込みが、予測性能をしばしば著しく向上させることを示しています。しかし、これらの副特徴は関連性が大きく異なることがあり、しばしばノイズが多く高次元です。私たちは薬物発見における副特徴からの変数選択を可能にする新しいベイジアンモデル、Bayesian Variable Selection-Guided Inductive Matrix Completion（BVSIMC）を提案します。疎な潜在埋め込みを学習することにより、BVSIMCは予測精度と解釈性の両方を向上させます。私たちはシミュレーション研究と薬物発見の2つの応用を通じて本手法を検証します：1) 結核菌（Mycobacterium tuberculosis）における薬物耐性の予測、2) 計算的薬物再利用における新規薬物-疾病関連の予測。合成データと実データの両方で、BVSIMCは予測性能の点で他の複数の最先端手法を上回ります。私たちの2つの実例では、BVSIMCは臨床的に最も意味のある副特徴をさらに明らかにします。
BVSIMC: 改善と解釈性を備えた薬剤発見のためのベイズ変数選択ガイド付き帰納的マトリクス補完
arXiv cs.LG / 2026/3/20
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、薬剤発見のための関連するサイド特徴を選択しつつ、疎な潜在埋め込みを学習するベイズの変数選択ガイド付き帰納的マトリクス補完モデルであるBVSIMCを提案する。
- 最先端の方法と比較して予測精度と解釈性を改善することを主張し、シミュレーションと2つの実世界タスクを通じて実証されている。タスクは、結核菌（Mycobacterium tuberculosis）における薬剤耐性の予測と、計算的リポジショニングのための新しい薬物-疾病関連の予測である。
- 疎性を強制することで、BVSIMCは高次元かつノイズの多いサイド情報に対処し、解釈しやすい臨床的に意味のあるサイド特徴を生み出す。
- 本研究は、合成データと実データの広範な検証を含んでおり、インシリコ薬剤発見ワークフローの高度化と研究者の特徴主導の洞察を促進する可能性を示唆している。
