MSCMLCIDTI:基于多尺度特征提取和深度交互式注意力融合机制的药物向相互作用预测
Jia Peng1, Xiaoyu Liu1, Yuxuan Liao1
1College of Computer Science and Technology, Hengyang Normal University, Hengyang, China.
Journal of computational chemistry
|July 14, 2025
概括
一种新的深度学习模型,即多级特征提取结合多层交叉相互作用网络 (MSCMLCIDTI),可以改善药物向相互作用的预测. 这种方法增强了特征表示和相互作用建模,以加速药物发现.
科学领域:
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
- 人工智能的人工智能
背景情况:
- 药物向相互作用 (DTI) 的预测对于加速药物发现至关重要.
- 当前的深度学习方法与局部特征表示和模拟药物和目标数据之间的相互作用作斗争.
研究的目的:
- 为了引入一种新的深度学习框架,多级特征提取与多层交叉交互网络 (MSCMLCIDTI) 相结合,以增强DTI预测.
- 解决现有模型在特征表示和交互建模方面的局限性.
主要方法:
- 使用多尺度卷积块来提取各种尺度的药物的结构指纹和氨基酸序列.
- 采用封闭的注意力机制来获得多维特征,以识别关键结合点.
- 实施了深度交叉相互作用机制,多层重视模拟药物基结构和蛋白质片段之间的复杂关系.
主要成果:
- 与现有的最先进的模型相比,MSCMLCIDTI框架显示出更高的预测准确性.
- 在四个开放访问基准数据集中验证了性能,证实了识别交互签名的增强能力.
- 改善了局部特征的表示和药物和目标之间的相互作用建模.
结论:
- 拟议的MSCMLCIDTI模型在药物向相互作用预测方面取得了重大进展.
- 这一框架有可能通过提高预测准确性来加速药物发现管道.
- 多尺度特征提取和交叉交互机制是模型增强性能的关键.
