MMCL-CPI:一种多模式化合物-蛋白相互作用预测模型,包含对比学习预训练
Ying Qian1, Xinyi Li1, Jian Wu1
1School of Computer Science and Technology, Shanghai Frontiers Science Center of Molecule Intelligent Syntheses, East China Normal University, Shanghai, China.
本研究介绍了MMCL-CPI,这是一种用于预测化合物-蛋白相互作用 (CPI) 的新型多式联络深度学习方法. 通过整合化合物序列和图像数据,它提高了药物发现的预测准确性.
科学领域:
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
- 机器学习是机器学习.
背景情况:
- 化合物-蛋白相互作用 (CPI) 的预测对于药物发现至关重要.
- 传统的CPI实验方法缓慢且昂贵.
- 深度学习已经加速了CPI预测,但多式联络方法缺乏.
研究的目的:
- 开发一种用于CPI预测的新型多式联网深度学习方法.
- 为了有效地结合复合序列和图像表示.
- 提高CPI预测的准确性和效率.
主要方法:
- 从1D SMILES (序列) 和2D图像 (空间) 中提取复合特征.
- 设计一种新的多式联运模式,整合这些多样化的特征.
- 在大型未标记数据集上实施多式联运预培训策略,使用对比学习.
主要成果:
- 拟议的MMCL-CPI方法在多个数据集上展示了竞争性性能.
- 整合序列和图像功能增强了CPI任务的复合表示.
- 多式联运预培训策略显著提高了下游CPI预测准确度.
结论:
- MMCL-CPI为准确的CPI预测提供了一种强大的新方法.
- 结合多式联网数据源 (SMILES和图像) 有效地增强深度学习模型.
- 这项工作为更有效的药物发现和重新定位铺平了道路.
更多相关视频
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
07:08Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues
Published on: July 14, 2015
相关概念视频
Protein Complexes with Interchangeable Parts
Protein Complex Assembly
Many viruses self-assemble into a fully functional unit using the infected host cell to...
Protein-Protein Interfaces
Multi-pass Transmembrane Proteins and β-barrels
α-Helix containing multi-pass transmembrane proteins
Multi-pass transmembrane proteins such as...
Protein-protein Interfaces
Protein Networks
