基于多特征学习的表观遗传标识策略
Lingfeng Chen1, Rui Gu1, Yuanyuan Li1
1Laboratory of Molecular Design and Drug Discovery, School of Science, China Pharmaceutical University, Nanjing, China.
Journal of biomolecular structure & dynamics
|October 12, 2023
概括
本研究介绍了一种使用机器学习的新型表观遗传标识策略 (ETI-Strategy). 该ETI战略准确地预测了药物发现的表观遗传标,优于现有的方法.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 药理学 药理学是指药理学的学科.
背景情况:
- 在癌症治疗中,表观遗传药物越来越重要.
- 鉴定生物活性化合物的表观遗传标对于药物发现至关重要.
- 化学基因组数据的进步需要改进目标识别方法.
研究的目的:
- 引入一种新的表观遗传标识策略 (ETI-战略).
- 利用机器学习来预测蛋白质 - 配体相互作用和识别表观遗传点.
- 提高表观遗传药物发现的准确性和效率.
主要方法:
- 集成一个多任务图形卷积神经网络之前的模型.
- 使用蛋白质 - 配体相互作用分类歧视模型的利用.
- 使用55个表观遗传标的大规模生物活性数据进行培训和验证.
主要成果:
- 实现了先前模型的AUC为0.934和歧视模型的0.830.
- 在预测蛋白质-连接体相互作用方面表现优于反向对接.
- 与其他开源目标识别工具相比,证明了更高的准确性.
结论:
- 该ETI战略有效地利用分子和蛋白质水平的信息来准确预测活动.
- 机器学习对识别潜在的表观遗传点作出了重大贡献.
- 这种方法为表观遗传药物发现和开发提供了一条新的途径.
