通过自我监督学习进行药物标预测,采用双重任务组合方法

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 药物发现 药物发现

背景情况:

• 药物向相互作用 (DTI) 的预测对药物研究至关重要,有助于虚拟查,确定现有药物的新用途,并预测副作用.
• 当前的方法往往需要大量的手动注释,或者在稳定性方面扎.
• 异质生物网络通过整合药物,基因和疾病数据提供了丰富的信息来源.

研究的目的:

• 为准确的DTI预测开发一个强大的计算模型.
• 利用自主监督学习 (SSL) 实现高效的嵌入式提取,无需手动注释.
• 通过集体学习提高图形神经网络 (GNN) 的可靠性,用于DTI预测.

主要方法:

• 设计了一个基于GNN的新型架构,包括基于任务的模块和集合模块.
• 自主监督学习 (SSL) 用于特征嵌入提取,利用基于结构或相似性信息的借口任务.
• 集体学习被整合到GNN框架中,以提高对非稳定性问题的稳定性.

主要成果:

• 拟议的组合模块在DTI链接预测方面表现出强的表现.
• 在冷启动场景中,获得了0.960的接收器操作特征曲线 (AUCROC) 下的平均面积.
• 在热启动场景中达到0.970的平均AUCROC,偏差最小,表明高精度和可靠性.

结论:

• 开发的GNN架构与组合模块有效预测药物向相互作用.
• 该模型显示,通过准确识别潜在的药物标关系,可以加速药物发现和开发.
• 该方法为DTI预测提供了强大而高效的方法,在具有有限或没有先前交互数据 (冷启动) 的场景中尤其有益.