Semi-inductive dataset construction and framework optimization for practical drug target interaction prediction with...

科学分野:

• 計算生物学
• 薬理学
• 人工知能

背景:

• 創薬標的相互作用（DTI）予測のための深層学習法は有望ですが、データの多様性とモデルの複雑さには限界があります。
• 既存のベンチマークは、十分なデータ量とバランスが欠けていることが多く、実世界での適用を妨げています。

研究 の 目的:

• 大規模でバランスの取れたデータセットと高度な深層学習モデルを統合することにより、DTI予測における限界に対処する統一フレームワーク、SCOPE-DTIを開発すること。
• 創薬を加速するために、DTI予測の精度と効率を向上させること。

主な方法:

• 13の公開リポジトリからSCOPE-DTI を構築し、一般的なベンチマークの最大100倍大きいデータセットを作成しました。
• 3Dタンパク質および化合物表現、グラフニューラルネットワーク、双線形注意メカニズムを統合したSCOPEモデルを採用しました。
• SCOPE-DTI のためのユーザーフレンドリーなインターフェースとデータベースを開発しました。

主要な成果:

• SCOPEモデルは、様々なDTI予測タスクにおいて、最先端の方法を上回る優れた性能を示しました。
• 実験的検証により、2つの生物活性天然化合物のがん標的が同定され、フレームワークの有効性が確認されました。
• 統合されたデータセットとモデルは、異種ドメイン間の相互作用パターンの予測を大幅に改善しました。

結論:

• SCOPE-DTI は、広範なデータ、洗練されたモデリング、およびアクセス可能なツールを提供することにより、DTI予測のための包括的なソリューションを提供します。
• このフレームワークは、データ不足とモデルの複雑さの課題を克服することにより、創薬研究を効果的に加速します。
• この研究は、新規の創薬標的の同定と新しい治療法の開発を促進します。