MTGNN:一种基于多模式异构图神经网络和方向感知元路的药物-目标-疾病三重组协会预测模型

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 药理学 药理学是指药理学的学科.

背景情况:

• 药物重新定位依赖于预测药物向相互作用 (DTI).
• 现有的方法经常模拟二元关系,忽视三方药物向疾病 (GTD) 相互作用及其方向依赖.
• 需要先进的计算框架来直接建模GTD三胞胎.

研究的目的:

• 引入MTGNN (多式变压器图神经网络),这是一个用于预测三方药物向疾病 (GTD) 相互作用的新框架.
• 解决目前在捕捉GTD关系中的定向依赖性和协同作用机制方面的方法论的局限性.
• 提高药物重新定位的计算工具的准确性和概括能力.

主要方法:

• 构建一个带有方向感知元路径的异质图,以建模具有生物学意义的方向依赖关系 (例如,药物 → 目标 → 疾病).
• 采用双路径变压器架构来整合药物,目标和疾病的拓结构和语义特征.
• 实施交叉注意力技术,以动态对准基于图形和特定模式的语义表示,以改善交叉模式的交互.

主要成果:

• MTGNN有效地以高精度推断GTD连接.
• 与现有方法相比,该框架显示了增强的性能和概括能力.
• 验证证实了MTGNN在预测复杂的生物医学关系方面的有效性.

结论:

• MTGNN提供了一种全面的方法来建模三方GTD交互,捕捉关键的方向依赖.
• 基于图形和基于变压器的方法的整合,以及交叉注意力,显著提高了预测准确性.
• MTGNN代表了一种强大的计算工具,用于推进药物重新定位研究和应用.