基于层级注意力图的人类微生物药物协会的预测 卷积网络
Jia Qu1, Jie Ni1, Tong-Guang Ni1
1School of Computer Science and Artificial Intelligence & Aliyun School of Big Data, Changzhou University, Changzhou, 213164, China.
Current medicinal chemistry
|September 3, 2024
概括
这项研究引入了一种新的图形卷积网络模型,用于预测微生物与药物之间的关联,这对于药物开发和对抗耐药性至关重要. 该模型表现出高精度,为传统方法提供更快的替代方案.
科学领域:
- 微生物学和药理学 微生物学和药理学
- 计算生物学和生物信息学
- 基因组学和药物发现
背景情况:
- 人类微生物与复杂的疾病有关,并且正在成为关键的药物标.
- 识别微生物与药物之间的关联对于药物开发,精准医学和解决抗菌素耐药性的问题至关重要.
研究的目的:
- 提出一种新的计算模型,用于预测微生物与药物之间的关联.
- 为了利用一个层次的注意力图形卷积网络,提高预测准确度.
主要方法:
- 将多个生物数据集成到一个异质网络中.
- 使用图形卷积网络 (GCN) 嵌入微生物和药物.
- 利用层级注意力机制来解码嵌入和计算关联得分.
主要成果:
- 在使用全球LOOCV的Biofilm数据集上实现了高的曲线下面积 (AUC) 值,例如0.9178.
- 在5倍交叉验证中表现强,平均AUC分别为0.9141和0.8982对于aBiofilm和MDAD数据集.
- 案例研究进一步验证了该模型的预测能力.
结论:
- 拟议的计算模型为耗时的传统方法提供了一种有效的替代方法,用于微生物与药物相关性预测.
- 该模型显示了促进药物开发和精准医学的巨大潜力.
- 准确预测微生物与药物之间的关联,可以帮助开发新疗法和打击耐药性.
