MMFi-DPBML:多分子指纹功能融合用于预测传统中医药中的成分-标相互作用

科学领域:

• 计算化学和药理学
• 生物信息学和化学信息学
• 传统中国医学研究

背景情况:

• 传统中医 (TCM) 依赖于复杂的天然化合物与复杂的成分-目标相互作用 (ITI).
• 准确的ITI预测对于现代化TCM和从天然产品中推进药物发现至关重要.
• 现有的计算方法往往难以捕捉与ITI相关的全部分子特征.

研究的目的:

• 开发和验证MMFi-DPBML,这是一个用于预测TCMIT的深度学习框架.
• 整合多分子指纹特征以提高预测准确度.
• 支持TCM的数据驱动现代化,并促进生物活性化合物的识别.

主要方法:

• MMFi-DPBML融合了四个分子指纹 (MACCS,ECFP4,扭曲,二维药理) 和20个分子描述符.
• 深层金字塔卷积神经网络 (DPCNN) 处理分子特征,而堆叠的BiLSTM则编码蛋白质目标.
• 多层感知器 (MLP) 将这些特征空间集成为最终交互预测,根据定制的TCMTS数据集和公共基准进行评估.

主要成果:

• 在TCMTS数据集上,全MMFi-DPBML模型的AUC为0. 9873和加权F1得分为0. 9860.
• 除研究证实了每个特征类型和模型组件的贡献.
• MMFi-DPBML 超越了最先进的 ITI 预测模型,并在各种数据集中展示了强大的概括性,并对 Scutellaria baicalensis 进行了分子对接验证预测.

结论:

• MMFi-DPBML有效地整合了多样化的分子特征,以准确地预测TCM成分与标的相互作用.
• 该模型显示了作为药物发现的计算工具的巨大潜力,特别是在天然产品中识别活性成分.
• 未来的研究将专注于改善模型的解释性,并将其功能扩展到多目标药理模型.