MDM-DTA:带有分子描述符和专家组合的传递信息的神经网络,用于药物向 afinity 预测
Yang Dai1, Xiaoyu Tan2, Haoyu Wang1
1School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai, China.
Computer methods and programs in biomedicine
|November 24, 2025
概括
通过整合分子图,描述符和高级蛋白质序列语义,MDM-DTA提高了药物向亲和力预测. 这种新的框架提高了计算药物发现的准确性,有助于识别新的候选药物.
科学领域:
- 计算化学和化学信息学
- 生物信息学和计算生物学
- 药物的发现和开发和开发.
背景情况:
- 药物标亲和力 (DTA) 预测对于有效的药物发现至关重要.
- 当前的模型往往无法捕捉蛋白质序列中的复杂语义关系.
- 现有的方法通常依赖于药物和蛋白质的单独特征提取.
研究的目的:
- 开发一个新的框架,MDM-DTA,用于增强DTA预测.
- 整合多样化的分子和蛋白质表示,以提高准确性.
- 解决当前DTA预测模型关于蛋白质序列语义方面的局限性.
主要方法:
- 使用专家混合 (MoE) 策略来整合表示.
- 采用信息传递神经网络 (MPNN) 进行分子图形和卷积神经网络 (CNN) 进行分子描述.
- 结合了深层卷积网络与挤压和激发 (SE) 机制和预训练的嵌入 (BERT,ESM2) 蛋白质特征和语义.
主要成果:
- 在基准数据集上,MDM-DTA始终优于最先进的模型.
- 结构和语义特征的整合显著提高了预测准确性.
- 证明了多模式表示方法在DTA预测中的有效性.
结论:
- MDM-DTA成功地整合了分子和语义蛋白质表示,以实现卓越的DTA预测.
- 该框架有可能显著提高计算药物发现的准确性.
- MDM-DTA有助于识别新型药物候选药物,并在药物开发方面取得进展.
更多相关视频
05:50Pharmacophore Modeling for Targets with Extensive Ligand Libraries: A Case Study on SARS-CoV-2 Mpro
Published on: September 26, 2025
1.4K
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
1.1K
