基于专家混合的抑制剂-激酶的亲和力预测,通过多式特征语义分析增强的多式特征语义分析

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
• 生物信息学是一种生物信息学.

背景情况:

• 准确的抑制剂-激酶结合亲和力预测对于药物发现至关重要.
• 当前的深度学习模型与高阶生物网络特征和冷启动问题作斗争.
• 皮表皮生长因子受体 (EGFR) 家族是癌症治疗的关键标.

研究的目的:

• 开发一种先进的深度学习模型,Mokin,用于增强抑制剂-激酶结合亲和力预测.
• 解决特征提取的局限性和生物分子建模中的冷启动问题.
• 提高药物发现预测模型的准确性和概括能力.

主要方法:

• 提出Mokin,一个专家混合 (MoE) 系统用于药物分子特征提取.
• 综合蛋白质和蛋白质与蛋白质相互作用 (PPI) 网络功能,用于丰富的语义表示.
• 在能源部内开发了一个全球内存封闭区块路由器,以捕获历史和当前的功能.
• 利用双线性注意力机制,将药物和生物特征结合起来进行预测.

主要成果:

• 在预测抑制剂-激酶结合亲缘关系方面取得了最先进的性能.
• 在冷启动实验环境中表现出卓越的性能,这是现场的一个重大挑战.
• 通过最后阶段的激酶分析验证了模型的概括能力.

结论:

• 莫金在预测抑制剂-激酶结合亲和力方面取得了重大进展.
• 该模型能够整合多式联运功能并处理冷启动问题的能力,提高了其在药物发现中的实用性.
• 这种方法提供了一个强大的框架,用于识别潜在的候选药物,针对EGFR等激酶.