预测分子特性和FGFR1抑制剂的多任务自主监督策略

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 机器学习 机器学习

背景情况:

• 了解分子特性和向相互作用对于药物开发至关重要.
• 在计算机辅助药物发现中,有效的分子表示对于预测属性和设计高亲缘关系联体至关重要.
• 开发强大的多任务和自我监督的预训练策略,用于分子表示学习仍然是一个挑战.

研究的目的:

• 提出MTSSMol,一个多任务自主监督的深度学习框架,用于预训练分子表示.
• 为了利用大约1000万个未标记的类似药物的分子进行预训练.
• 为了确定纤维细胞生长因子受体1 (FGFR1) 的潜在抑制剂.

主要方法:

• 使用图形神经网络 (GNN) 编码器在预训练期间学习分子表示.
• 实施多任务自我监督预训策略,以获取分子的全面结构和化学知识.
• 验证MTSSMol在27个不同的数据集上的性能,用于分子性质预测.

主要成果:

• MTSSMol在各种领域预测分子性质方面表现出色.
• 该框架成功识别了潜在的FGFR1抑制剂.
• 验证涉及使用RoseTTAFold All-Atom (RFAA) 和分子动力学模拟进行分子对接.

结论:

• MTSSMol提供了一个有效的算法框架,用于增强分子表示学习.
• 该研究验证了MTSSMol作为识别潜在候选药物和加速药物发现的宝贵工具.
• 开发的框架和代码是公开的,以支持进一步的研究.