CKG-IMC:一种由CKG和GNN增强的感应矩阵完成方法,用于预测阿尔茨海默病化合物-蛋白相互作用

科学领域:

• 神经科学是一个神经科学.
• 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:

• 阿尔茨海默病 (AD) 是一种流行的神经退行性疾病,没有有效的治疗方法.
• 开发新的抗老年症药物和确定治疗点是全球卫生重点.

研究的目的:

• 开发一种新的深度学习模型,用于预测与阿尔茨海默病相关的化合物-蛋白相互作用 (CPI).
• 确定潜在的候选药物和阿尔茨海默病治疗的点.

主要方法:

• 提出了一个深度学习模型,CKG-IMC,集成一个协作知识图 (CKG),主要社区聚合 (PNA) 和归纳矩阵完成 (IMC).
• CKG学习语义关联,PNA提取网络结构特征,IMC预测CPI.
• 使用十倍交叉验证和对16个基线模型进行独立测试来评估模型性能.

主要成果:

• 在预测与阿尔茨海默病相关的CPI方面,CKG-IMC取得了最先进的表现.
• 该模型成功预测了与关键AD目标 (Aβ42和tau蛋白) 相互作用的化合物.
• 美国食品和药物管理局批准的抗老年症药物和相关蛋白质之间的预测相互作用在很大程度上得到了现有的文献和分子对接研究的支持.

结论:

• CKG-IMC模型提供了一种强大的计算方法,用于发现针对阿尔茨海默病的新疗法策略.
• 这些发现强调了CKG-IMC在识别有前途的候选药物和验证AD的药物标方面的潜力.
• 这项研究有助于迫切需要对阿尔茨海默病进行有效干预.