里奇图DTA:一个集成离散里奇曲线的图形神经网络,用于药物向 afinity 预测
Xiangxiang Zheng1, Zhongrong Zhang1, Xiaona Zhang2
1School of Mathematics and Physics, Lanzhou Jiaotong University, 88 West Anning Road, Lanzhou, 730070, Gansu, China; Gansu Center for Fundamental Research in Complex Systems Analysis and Control, Lanzhou Jiaotong University, 88 West Anning Road, Lanzhou, 730070, Gansu, China.
里奇-图形DTA是一种新的药物向亲和力预测模型,使用离散曲率和图形神经网络来提高准确性和概括性. 这种方法通过更有效地预测未见的药物和目标的相互作用来增强药物发现.
科学领域:
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 药物向亲和力 (DTA) 预测对于有效的药物查和降低成本至关重要.
- 现有的模型在预测性能和概括方面面临挑战,特别是对于新型化合物.
- 准确的DTA预测需要对分子结构和蛋白质序列进行有效的建模.
研究的目的:
- 提出Ricci-GraphDTA,一个新的DTA预测模型,集成分子图和蛋白质序列信息.
- 通过使用离散曲率和先进的神经网络架构来提高预测准确度和概括能力.
- 为了证明模型在现实世界药物发现场景中的有效性,包括冷启动预测.
主要方法:
- 药物分子以图形表示,福曼曲率调整邻居信息聚合.
- 图形同态网络 (GIN) 是用于捕获分子几何和拓特征的残余网络.
- 使用BiLSTM模拟的蛋白质序列,具有长距离依赖性和残留相互作用提取的注意力机制.
- 药物和蛋白质表示的连锁,然后进行非线性转换,用于跨模态相互作用特征提取.
主要成果:
- 在戴维斯和KIBA数据集的评估指标上,Ricci-GraphDTA取得了显著的性能改进.
- 在涉及未见药物或目标的冷启动实验中表现出强大的概括能力.
- 在三个冷启动任务中平均减少了22.5%的平均平方误差 (MSE),在双冷启动设置中减少了42%以上.
结论:
- 与现有方法相比,Ricci-GraphDTA在DTA预测中表现优越,并且具有更高的稳定性.
- 该模型处理冷启动场景的能力突显了其在加速现实世界药物发现方面的潜力.
- 离散曲率和先进的深度学习技术的整合为未来的DTA预测研究提供了有希望的方向.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
相关概念视频
Quantitative Aspects of Drug-Receptor Interaction
Protein-protein Interfaces
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Predicting Molecular Geometry
