ドメイン対抗的なゲーテッドバイリニア的注意ネットワークは,クロスドメインの薬物標的の相互作用の予測を目的としています

科学分野:

• 計算化学はコンピュータ化学である.
• バイオインフォマティックス
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 薬物標的相互作用 (DTI) の正確な予測は,効率的な薬剤発見に不可欠です.
• 既存の計算方法は,差別的な特徴を学習し,新しい分布シフトデータに一般化することに苦労しています.

研究 の 目的:

• 新しいディープラーニング・フレームワーク,GBAN-DA (ドメイン・アダプテーションによるゲーテッド・ビリネア・アテンション・ネットワーク) を開発し,DTIの予測を正確かつ一般化できるようにする.
• 現在のDTI予測モデル,特にその汎用化能力の限界に対処する.

主な方法:

• GBAN-DAは,ハイブリッド分子エンコーダー (薬物の場合は機能注意を持つGCN,タンパク質の場合はCNN-トランスフォーマー) を統合しています.
• ゲーテッド・ビリニア・アテンション・メカニズムは,サブストラクチャーレベルの相互作用をモデル化しています.
• コンディショナル・ドメイン・アドバサリアル・ネットワーク (CDAN) は,機能分布をドメイン全体に並べ,一般化を強化します.

主要な成果:

• GBAN-DAは,AUROC/AUPRCのスコア0.964/0.950 (BindingDB) と0.909/0.905 (BioSNAP) を得て,ドメイン内のタスクで最先端のパフォーマンスを達成しました.
• ドメイン適応コンポーネント (CDAN) は,クロスドメインの予測を11.9%AUROC (BindingDB) と12.9%AUROC (BioSNAP) で大幅に改善しました.
• ケーススタディは,ABL1キナーゼやキャセプシンK.のような標的の実験データベースに対する高信頼性予測を検証した.

結論:

• GBAN-DAは,正確で一般化可能なDTI予測のための堅牢な枠組みを提供し,既存のモデルを上回る性能を提供します.
• 提案されたドメイン適応戦略は,現実世界の薬物スクリーニングアプリケーションのモデル一般化を効果的に強化します.
• GBAN-DAは,潜在的薬剤候補のより効果的な識別を容易にする,コンピューティングによる薬剤発見の重要な進歩を表しています.