一个具有图形注意力机制的多任务可解释模型,用于低数据PIM抑制剂的活性预测

科学领域:

• 生物化学 生物化学
• 计算化学计算化学
• 药物发现 药物发现 药物发现

背景情况:

• 莫洛尼小鼠白血病病毒 (PIM) 激酶的前病毒整合部位的异常表达与各种癌症和化疗耐药性有关.
• 设计选择性PIM抑制剂是具有挑战性的,因为PIM1,PIM2和PIM3异构体之间的高度同质性以及有限的生物活性数据.

研究的目的:

• 开发一个多任务回归模型,同时预测PIM激酶抑制剂活性 (IC50值).
• 提高对高度相似的蛋白质标预测抑制剂的准确性和可解释性,特别是在低数据场景中.

主要方法:

• 构建了一个多任务回归模型,结合注意力机制来分析局部原子组效应和群体间相互作用.
• 使用权重共享来利用PIM1和PIM2的相关数据来改善PIM3抑制剂的预测.
• 利用节点重量可视化来增强模型的解释性,将分子特征与预测结果联系起来.

主要成果:

• 多任务回归模型准确地预测了PIM激酶抑制剂的半最大抑制度 (IC50) 值.
• 注意力机制和重量分配提高了预测准确度,特别是在PIM3异型.
• 通过可视化原子层次对预测的贡献来增强模型的解释性.

结论:

• 这项工作提出了一种新的方法,用于预测针对多个相似蛋白质激酶的抑制剂的活性.
• 开发的模型为低数据环境中药物发现提供了有价值的见解和方法.
• 该战略解决了设计针对PIM激酶等高度同类标的选择性抑制剂的挑战.