基于将隐藏层视为化学空间的可视化的深度学习辅助药物查

科学领域:

• 计算化学是一种计算化学.
• 人工智能在药物发现中的作用
• 分子建模分子建模

背景情况:

• 深度学习模型越来越多地用于药物发现,但往往缺乏精细化,导致不可靠的药物线索.
• 目前在药物选中的深度学习方法可能是不透明的,阻碍了对有前途的化合物的优先级进行实验验证.

研究的目的:

• 开发一种使用图形卷积网络 (GCN) 和隐藏层可视化改进的药物选方法.
• 为了使候选化合物的优先级和阐明结构-活性关系 (SAR) 在药物发现.
• 为了确定新的治疗线索,特别是对于组织素脱乙酶 (HDAC) 抑制剂.

主要方法:

• 利用图形卷积网络 (GCN) 深度学习架构进行药物候选预测.
• 在GCN的输出过程中实现隐藏层的可视化技术.
• 应用该方法来选潜在的基因素脱乙酶抑制剂.

主要成果:

• 提出的方法有效地可视化了深度学习模型的隐藏层.
• 从大量预测的活性分子中成功对实验测试的化合物进行了优先排序.
• 鉴定出新的化合物,具有作为基脱乙酶抑制剂的潜在活性.
• 提供了关于化学结构和它们的生物活动之间的关系的见解.

结论:

• 开发的深度学习辅助选方法提高了药物发现的效率和可解释性.
• 隐藏层的可视化为优先考虑化合物和理解SAR提供了一个有价值的工具.
• 这种方法证明了在药物化学中识别新药潜在的重大潜力.