Un método explicable de estimación de tokens moleculares para la predicción de interacciones fármaco-fármaco...

Área de la Ciencia:

• Química computacional
• Aprendizaje automático
• Bioinformática

Sus antecedentes:

• El aprendizaje de representaciones moleculares (MRL) utiliza tokens como átomos y motivos para representar moléculas para Redes Neuronales de Grafos (GNN).
• Si bien las GNN con tokens muestran una gran promesa en la predicción de interacciones fármaco-fármaco (DDI), no se comprende bien el impacto de la elección de tokens en la expresividad de las incrustaciones moleculares.

Objetivo del estudio:

• Definir teóricamente MRL desde una perspectiva del dominio de la frecuencia y analizar la influencia del recuento de tokens en el rendimiento del modelo.
• Proponer SimMotifPro, un método eficiente basado en motivos para la predicción de DDI que incorpora conocimientos teóricos.

Principales métodos:

• Desarrolló una definición axiomática de MRL desde una perspectiva del dominio de la frecuencia para establecer límites teóricos superiores para la convergencia del modelo.
• Propuso SimMotifPro, utilizando un codificador DeeperGCN, un grafo de conocimiento motivo-motivo y un módulo Motif Ranker para mejorar la predicción de DDI.

Principales resultados:

• Demostró que SimMotifPro se alinea con los límites teóricos superiores derivados, validando la aplicabilidad general de la teoría propuesta.
• Logró un rendimiento de vanguardia en múltiples puntos de referencia para la predicción de DDI, mostrando la eficacia del enfoque basado en motivos.

Conclusiones:

• El número de tokens impacta significativamente el rendimiento del modelo MRL, y los conocimientos teóricos guían el desarrollo de estrategias efectivas de incrustación molecular.
• SimMotifPro ofrece una solución robusta y eficiente para la predicción de DDI, destacando la importancia de las representaciones basadas en motivos y las arquitecturas GNN avanzadas.