SSHF-DTI：構造的類似性と階層的特徴を融合ネットワークで活用した薬物標的相互作用予測

科学分野:

• 計算化学
• バイオインフォマティクス
• 創薬

背景:

• 薬物標的相互作用（DTI）と結合親和性（DTA）の予測は、実験コストのため、重要であるが困難です。
• 既存のディープラーニングモデルは、クロスドメイン特徴統合を欠いていることが多く、予測力と一般化能力が制限されています。

研究 の 目的:

• 堅牢で一般化可能なディープラーニングモデルを開発し、DTIとDTAを予測すること。
• 計算手法の精度と適用性を創薬において向上させること。

主な方法:

• 構造的に類似した情報とマルチソースのサブ構造特徴を統合したSSHF-DTIモデルを提案しました。
• Tanimoto係数とMorganフィンガープリントを使用したデータ拡張により構造的類似性を組み込みました。
• 階層的特徴融合のために、トランスフォーマーと畳み込みコンポーネントを組み合わせたハイブリッドアーキテクチャを採用しました。

主要な成果:

• SSHF-DTIは、DavisデータセットでROC-AUCとPR-AUCがそれぞれ0.031と0.147増加し、予測精度が大幅に向上しました。
• 薬物間相互作用（DDI）予測タスクで強力な一般化能力を示しました。
• 結合親和性に影響を与える分子構造的特徴を特定する上で高い感度を示しました。

結論:

• SSHF-DTIは、DTI、DTA、およびDDI予測のための強力で一般化可能なフレームワークを提供します。
• このモデルは、複雑な階層的特徴相互作用を効果的に捉え、創薬と仮想スクリーニングの進歩を約束します。