Una red neuronal gráfica consciente de subestructuras que incorpora características de relación para la predicción de...

Área de la Ciencia:

• Química computacional
• Farmacología
• Inteligencia artificial en el descubrimiento de fármacos

Sus antecedentes:

• La identificación de interacciones fármaco-fármaco (IFF) es fundamental para la seguridad y eficacia de los fármacos.
• Los métodos actuales de predicción de IFF basados en subestructuras tienen limitaciones para explotar la estructura del grafo y las incrustaciones de relaciones.

Objetivo del estudio:

• Proponer una novedosa red neuronal gráfica consciente de subestructuras que incorpora características de relación (RFSA-DDI) para mejorar la predicción de IFF.
• Abordar las limitaciones en la extracción de subestructuras y la construcción de representaciones de fármacos en los modelos de predicción de IFF existentes.

Principales métodos:

• Desarrollo de una red neuronal de paso de mensajes dirigida con atención a subestructuras basada en agrupación autoadaptativa de grafos (GSP-DMPNN).
• Introducción de un módulo de interacción consciente de subestructuras que incorpora características de relación (RSAM) para mejorar las representaciones de fármacos.
• Integración de GSP-DMPNN y RSAM en el modelo RFSA-DDI para la predicción de IFF.

Principales resultados:

• RFSA-DDI demostró un rendimiento superior en entornos transductivos e inductivos en dos conjuntos de datos del mundo real.
• El modelo predijo eficazmente las IFF para fármacos no vistos, lo que indica una buena capacidad de generalización.
• RFSA-DDI capturó con precisión información estructural valiosa de los fármacos, mejorando la precisión de la predicción de IFF.

Conclusiones:

• RFSA-DDI ofrece un enfoque más preciso y fiable para predecir interacciones farmacológicas potenciales.
• El método propuesto mejora el desarrollo de fármacos y la seguridad del tratamiento al proporcionar una mejor detección de IFF.
• La integración de la atención a subestructuras y las características de relación mejora significativamente los modelos de predicción de IFF.