hERG-MFFGNN:一种可解释的深度学习模型,用于使用多特征融合和图形神经网络预测心脏毒性

科学领域:

• 计算化学是一种计算化学.
• 药理学 药理学是指药理学的学科.
• 心血管疾病药物安全性

背景情况:

• 药物诱导的心脏毒性,特别是心律失常,是制药发展中的一个重大障碍.
• 药物化合物对hERG通道的抑制可以导致QT间隔延长和危及生命的心律失常,如torsades de pointes (TdP).
• 评估hERG通道相互作用的传统方法资源密集,不适合高通量选.

研究的目的:

• 开发一个准确和可解释的深度学习框架,用于预测hERG通道阻塞.
• 通过多功能融合策略来提高预测准确性和模型通用性.
• 为早期识别潜在心脏毒性化合物提供高效的计算工具.

主要方法:

• 开发了一个深度学习框架hERG-MFFGNN,集成分子结构信息.
• 一个多特征的融合策略结合了分子指纹,描述符和图形神经网络衍生的拓特征.
• 使用注意力机制来权衡和融合这些特征,以获得全面的复合表示.

主要成果:

• hERG-MFFGNN实现了高预测性能,接收器操作特征曲线下的面积 (AUROC) 为0.909,准确度 (ACC) 为0.854.
• 该模型在基准和外部验证数据集上展示了强大的预测能力.
• 该框架提供了模型的可解释性,有助于理解预测的基础.

结论:

• hERG-MFFGNN作为一种有效的计算工具,用于早期预测hERG通道阻断器.
• 开发的框架可以显著帮助缓解药物发现和开发期间心脏毒性风险.
• 该研究强调了集成深度学习方法在预测药物安全性概况方面的潜力.