基于加权局部信息的药物重新定位增强图形神经网络神经网络
Yajie Meng1, Yi Wang1, Junlin Xu2
1Center of Applied Mathematics & Interdisciplinary Science, School of Mathematical & Physical Sciences, Wuhan Textile University, No. 1, Yangguang Avenue, Jiangxia District, Wuhan City, Hubei Province 430200, China.
Briefings in bioinformatics
|November 29, 2023
概括
这项研究介绍了DRAGNN,一种用于药物重新定位的新型图形神经网络模型. 通过专注于相关节点嵌入和本地信息,DRAGNN提高了药物疾病关联预测,加速了药物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 药理学 药理学是指药理学的学科.
- 人工智能在药物发现中的作用
背景情况:
- 药物重新定位通过将现有药物重新用于新的治疗用途来加速药物发现.
- 现有的药物疾病关联模型往往忽视了节点嵌入之间的关键关系.
- 开发先进的计算模型对于高效的药物发现管道至关重要.
研究的目的:
- 提出一个新的图形神经网络模型,DRAGNN,用于增强药物重新定位.
- 通过结合相关节点嵌入来提高药物疾病关联预测的准确性.
- 加速对现有药物的新疗法应用的识别.
主要方法:
- 开发DRAGNN,一个加权的局部信息增强图形神经网络.
- 整合了一个图表注意力机制,用于动态节点信息收集.
- 强调异质和同质的信息聚合,同时省略了自我节点聚合.
- 使用平均聚合用于邻居信息聚合和多层感知器进行预测.
主要成果:
- 通过对三个基准数据集进行10x10倍交叉验证,DRAGNN在药物重新定位方面表现出有效性.
- 该模型成功预测了药物与疾病的关联,得到了权威数据来源的验证.
- 进一步验证包括分子对接和药物疾病网络分析,证实了模型的稳定性.
结论:
- DRAGNN提供了一种强大的计算方法来重新定位药物,提高预测准确度.
- 该模型的重点是节点嵌入和本地信息,增强了新药和疾病关系的识别.
- 这项工作为通过计算方法加速未来药物发现工作提供了坚实的基础.
