图形EGFR:基于分子图的注意力机制和指纹的多任务和转移学习,改善了对EGFR家族蛋白质的抑制剂生物活性预测,基于数据稀缺性
Bundit Boonyarit1, Nattawin Yamprasert2, Pawit Kaewnuratchadasorn3
1School of Information Science and Technology, Vidyasirimedhi Institute of Science and Technology, Rayong, Thailand.
Journal of computational chemistry
|May 7, 2024
概括
图形EGFR是一种新型深度学习模型,增强了对EGFR家族蛋白质的药物活性预测,克服了改善癌症药物发现的数据限制.
科学领域:
- 计算化学和生物信息学
- 机器学习在药物发现中的作用
- 瘤学和分子生物学.
背景情况:
- 表皮生长因子受体 (EGFR) 家族蛋白在瘤发育中至关重要.
- 氨酸激酶抑制剂因药物耐药性突变而面临挑战.
- 对于癌症药物发现的深度学习受到小数据集和过度拟合的限制.
研究的目的:
- 引入GraphEGFR,这是一个深度学习模型,用于预测对野生类型和突变EGFR家族蛋白质的抑制剂的生物活性.
- 增强分子表示和模型架构,以改善药物发现预测.
- 为了应对有限数据和过度适应深度学习对酶抑制剂的挑战.
主要方法:
- 开发了GraphEGFR,将图的注意力机制与深度和卷积神经网络集成在一起.
- 在 GraphEGFR 模型中采用多任务和转移学习策略.
- 利用分子图表和指纹进行全面的分子表示.
- 进行了分子动力学模拟,以探索潜在的多位抑制剂的相互作用.
主要成果:
- GraphEGFR模型实现了与使用多任务和转移学习的现有方法可比的预测性能.
- 分子图和指纹的整合有效地捕获了原子关系和模式.
- 确定了野生型和突变型HER1激酶的潜在多向抑制剂.
结论:
- 在有限的数据的情况下,GraphEGFR提供了一个强大的战略,用于开发药物发现中的深度学习模型.
- 该模型推进了EGFR家族的多向激酶药物发现.
- 这种方法有助于理解用于抑制剂设计的分子相互作用.
