DFT_ANPD:一个双功能双面关注网络,用于抗癌天然产品检测
Rambod Norouzi1, Romina Norouzi2, Karim Abbasi3
1Department of Molecular Biology, Universidad Autónoma de Madrid, Madrid, Spain.
Computers in biology and medicine
|June 4, 2025
概括
本研究介绍了DFT_ANPD,这是一种深度学习框架,可以预测天然化合物的抗癌性质. DFT_ANPD通过整合分子结构和语言模型嵌入来加速新型抗癌药物的发现.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 在抗癌药物研究中,天然产品至关重要.
- 计算方法有助于识别潜在的抗癌化合物.
- 开发有效的,毒性较低的癌症治疗方法仍然是优先事项.
研究的目的:
- 介绍DFT_ANPD,这是一个深度学习框架,用于预测天然化合物的抗癌性质.
- 整合分子结构信息与大型语言模型 (LLM) 嵌入,以增强分子表示.
- 在抗癌药物发现中验证框架的性能和概括能力.
主要方法:
- 使用1D-CNN来处理用于化学模式识别的SMILES字符串.
- 使用微调的SMILES-BERT来从分子结构中提取语义信息.
- 整合结构和语义特征,使用双面注意力机制进行整体分子表示.
- 使用sigmoid激活函数预测抗癌潜力.
主要成果:
- DFT_ANPD在NPACT和CancerHSP数据集上表现出优于现有方法 (iANP-EC) 的性能,显示出高AUC-ROC,AUC-PR,平衡精度和MCC.
- 在独立的NPASS数据集上验证了概括能力,确定了具有高抗癌潜力的前10个化合物,包括dactinomycin.
- 对NPC479359的对接分析揭示了与关键癌症相关蛋白质 (例如CB2受体,DNA溶酶) 的显著结合 afinities.
结论:
- DFT_ANPD通过结合结构和语义分子洞察力,有效地预测天然化合物的抗癌特性.
- 该框架通过改进虚拟查和化合物优先级来加速抗癌药物发现管道.
- DFT_ANPD在识别抗癌新型治疗剂方面具有重大前景.
