|
|
QB GCARDTI:基于混合图学习机制的药物-靶标相互作用预测模型 |
|
论文标题:
期刊:
作者:Yinfei Feng, Yuanyuan Zhang, Zengqian Deng, Mimi Xiong
发表时间:01 April 2024
DOI:
微信链接:
药物与靶标之间相互作用(Drug-Target Interactions,DTIs)的鉴定,是药物研发与设计流程中的核心环节,对于缩小候选药物分子的筛选范围具有至关重要的作用。大规模的体外和体内实验不仅成本高昂且耗时较长,同时生物实验在探索DTIs时具有一定的盲目性。然而,传统的计算方法,如随机森林(Random Forest)等学习模型,虽然算法相对简单,但难以提取深层次的特征信息。近年来,深度学习模型的引入为DTIs预测领域的研究带来了突破性的进展。
近期,青岛理工大学张媛媛课题组在Quantitative Biology期刊发表了一篇题目名为“GCARDTI: Drug-Target Interaction prediction based on the hybrid mechanism in drug SELFIES” 的研究性文章。针对目前面临的两大问题,1.药物分子结构对应度不高;2.如何更好的提取出药物和靶标空间的特征信息;提出混合图学习机制的GCARDTI模型,并指出当前的不足之处以及未来的研究方向。
全文概要
本文简述了当前深度学习研究所面临的两大挑战。首先,多数药物靶标研究在药物分子结构信息的探索上尚显不足,以往的药物SMILES与有效药物分子的匹配度有待提升。其次,如何更有效地挖掘药物与靶标之间的潜在关联,亦是一大难题。本文提出了基于混合图学习机制的药物-靶标相互作用预测模型,然后对模型进行性能分析、消融实验以及注册分析,并取得了较好的结果。
图1. GCARDTI模型框架
图1展示了GCARDTI模型框架。首先将药物分子和靶标序列通过原子嵌入和序列嵌入,然后与已知的DTIs进行构建异构网络;将其输入到带有GCN和GAT的混合机制之中进行训练,得到药物和靶标的特征;最后输入到随机森林进行得分预测。通过与6种流行方法在两个不同的数据集上进行比较,GCARDTI模型具有较高的性能,如图2。
图2 GCARDTI方法与其他六种方法ROC - AUC和PR - AUC预测值的比较。
未来工作与展望
本文提出的GCARDTI模型,运用嵌入字符串SELFIES以及使用混合图学习机制取得了不错的效果,促进药物的研发;虽然模型具有较大的潜力,但需大量预训练以发挥其特性。展望未来,工作重心将不仅在于整合异构网络的多源信息,还需融入高阶元路径信息。高阶元路径信息蕴含药物与靶标间的高阶关联,挖掘这些关联有助于丰富特征信息,提升模型预测与泛化性能,从而更精准地预测DTIs。
QB期刊介绍
Quantitative Biology (QB)期刊是由清华大学、北京大学、高教出版社联合创办的全英文学术期刊。QB主要刊登生物信息学、计算生物学、系统生物学、理论生物学和合成生物学的最新研究成果和前沿进展,并为明升m88明升体育app与计算机、数学、物理等交叉研究领域打造一个学术水平高、可读性强、具有全球影响力的交叉学科期刊品牌。
QB期刊目前已被ESCI, Scopus, CSCD等国内外重要数据库收录。Citescore2021=4.6,2023年将获得第一个影响因子(IF)。
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》(Frontiers)系列英文学术期刊,于2006年正式创刊,以网络版和印刷版向全球发行。系列期刊包括基础明升体育app、明升m88明升体育app、工程技术和人文社会明升体育app四个主题,是我国覆盖学科最广泛的英文学术期刊群,其中12种被SCI收录,其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录,具有一定的国际学术影响力。系列期刊采用在线优先出版方式,保证文章以最快速度发表。
明升官网学术前沿期刊网
特别声明:本文转载仅仅是出于传播信息的需要,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,须保留本网站注明的“来源”,并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,请与我们接洽。