一个新的多尺度图形神经网络用于代谢途径预测
IEEE/ACM transactions on computational biology and bioinformatics
|December 21, 2023
概括
预测人类代谢途径对于药物发现至关重要. 一个新的多尺度图形神经网络 (MSGNN) 框架准确地识别化合物代谢类,优于现有模型.
科学领域:
- 计算化学是一种计算化学.
- 药理学 药理学是指药理学的学科.
- 生物信息学是一种生物信息学.
背景情况:
- 代谢途径的预测对于药物开发至关重要.
- 化合物代谢的准确分类有助于理解药物的疗效和毒性.
- 现有的方法在捕捉复杂的分子结构和相互作用方面面临挑战.
研究的目的:
- 引入一种新的多尺度图形神经网络 (MSGNN) 框架,用于预测化合物的代谢途径类.
- 提高药物研究中代谢途径预测的准确性和效率.
- 为分析化合物代谢提供强大的计算工具.
主要方法:
- 开发了一个多尺度图形神经网络 (MSGNN) 框架,包含一个子图形编码器,特征编码器和全局特征处理器.
- 实施了图形增强策略,以扩展培训数据集.
- 使用专门的编码器提取了当地的结构特征和原子特征.
- 在全球特征处理器中集成预训练模型信息和分子指纹.
主要成果:
- MSGNN实现了高性能指标:98.17%的准确性,94.18%的精度,94.43%的回忆和94.30%的F1分数.
- 拟议的MSGNN框架在与现有的类似模型相比,表现出优越的性能.
- 废弃实验证实了每个MSGNN模块对其整体有效性的重要贡献.
结论:
- MSGNN是一种高效的框架,用于预测化合物的代谢途径类.
- 该模型的架构和策略有助于其在药物研究中的卓越预测能力.
- MSGNN在代谢途径分析的计算方法方面取得了重大进展.
