一个多输入深度学习架构用于STAT3抑制剂预测
Kairui Liang1,2, Wenling Qin3, Yonghong Zhang1
1Chongqing Key Research Laboratory for Drug Metabolism, College of Pharmacy, Chongqing Medical University, Chongqing 400016, China.
ACS omega
|October 6, 2025
概括
我们开发了一种新的机器学习模型,可以准确地预测信号转换器和转录3 (STAT3) 抑制剂的激活器. 这种先进的模型提高了药物发现的预测准确性和可解释性.
科学领域:
- 计算化学计算化学
- 机器学习 机器学习
- 药物发现 药物发现 药物发现
背景情况:
- 信号转换器和转录3激活器 (STAT3) 在生理和瘤途径中至关重要.
- 现有的用于STAT3抑制剂预测的机器学习模型需要提高性能和可解释性.
研究的目的:
- 开发一种先进的机器学习模型,用于预测STAT3抑制剂.
- 提高STAT3抑制剂查的预测性能和可解释性.
主要方法:
- 引入了一个指纹增强图 (FPG) 注意网络模型.
- 集成基于序列的指纹和图表注意力网络,用于特征学习.
- 利用多层感知子进行分子活动分类.
主要成果:
- 在49个测试模型中,FPG模型实现了最佳预测性能 (AUC=0.897).
- 在识别STAT3抑制剂方面表现优于现有的预测模型.
- 通过揭示结构-活动关系,SHAP算法和注意热图增强了模型的解释性.
结论:
- FPG模型为STAT3抑制剂发现提供了卓越的预测准确性和可解释性.
- 开发的网络服务 (STAT3 Pro) 促进了STAT3抑制剂预测的进一步研究和应用.
