融合互作网络和多模态信息的化合物-蛋白质相互作用预测模型(INMI)

化合物-蛋白质相互作用(Compound-protein interaction,CPI)预测是药物研发领域的一个重大课题.随着生物科学的飞速发展,各种科学实验产生了大量的生物数据,通过计算方法能够快速有效地提取和利用这些信息.已有方法未能将相互作用网络中的信息显式地进行提取并加以利用,且多模态信息的融合方式未能抓住蛋白质和化合物之间的联系.为了解决上述问题,本文提出了一个二分类深度学习模型.该模型使用交叉注意力模块整合分子图和蛋白质序列信息,并从相互作用网络中显式提取节点的中心性和相关性信息,作为模型编码.实验表明,本文所提出的模型可以准确预测蛋白质和化合物之间的相互作用,而且节点中心性编码能够大大提高模型性能.

基于特征的深度学习预测化合物-蛋白质相互作用的研究进展

药物研发过程中,化合物-蛋白质相互作用(compound-protein interaction,CPI)预测是发现苗头化合物、药物重定位等研究的关键技术手段。近年来,深度学习被广泛应用于CPI研究,加速了药物发现中CPI预测的发展。本文重点讨论基于特征的CPI预测模型,首先,介绍了CPI预测中常见的数据库、化合物和蛋白质的典型特征表示方法。根据建模中的关键问题,从多模态和注意力机制两个方面,对基于特征的CPI预测模型展开论述。在此基础上,选取其中12个模型,在3个经典数据集上评估了模型在分类任务和回归任务中的性能。本文总结当前该领域面临的挑战,对未来的发展方向进行展望,为CPI预测方法进一步研究提供思路。

基于图注意力网络和简单循环单元的化合物-蛋白质交互预测

现有基于深度学习的化合物-蛋白质交互预测方法未考虑数据的内部协变量偏移及序列数据的长距离依赖.针对此问题,文中提出基于图注意力网络和简单循环单元的化合物-蛋白质交互预测方法.利用图注意力网络-门控循环单元学习化合物分子的图级表示,利用多层简单循环单元学习氨基酸子序列的特征向量表示,结合多层前馈网络预测化合物-蛋白质的交互作用.实验表明,文中方法在2个公开数据集上的各项评估指标都有所提升,由此验证方法的有效性.

基于改进Attention Mask编解码器CPI的研究

化合物-蛋白质相互作用(CPI)的研究对药物发现有着重要作用,它可以为药物靶标选择提供有价值的信息,在一定程度上提高先导化合物的命中率,进而加快药物发现的进程。由此提出了一种基于改进Attention Mask编解码器的化合物与蛋白质相互作用分类的预测模型,分别使用RDkit和Item2vec处理化合物的SMILES字符串和蛋白质的氨基酸序列,将得到的化合物和蛋白质低维特征表示的向量输入到该模型,通过分配权重的方式来计算蛋白质中的哪个子序列对化合物分子更重要,使用带有Attention机制的神经网络计算权重,模拟化合物和蛋白质之间的相互作用关系,最后作为一个二分类问题输出化合物和蛋白质是否相互作用的预测概率。模型性能测评采用ROC曲线下面积、准确召回率曲线作为评价指标,实验结果表明,该模型相比于GraphDTA和GCN模型而言,拥有更好的性能表现,AUC值提高了0.04左右,PRC值提高了0.07左右。

酵母三杂交系统的原理和应用

酵母双杂交系统自出现以来,广泛用于研究蛋白质之间的相互作用,它是一种具有高灵敏度的研究蛋白质之间关系的技术。在酵母双杂交系统基础上发展的酵母三杂交系统将应用范围扩展到蛋白质-蛋白质、蛋白质-RNA、蛋白质-小分子化合物等更广阔的研究领域。本文着重介绍酵母三杂交系统的原理、应用及局限性。

CRFR1拮抗剂CP-154526的脱靶作用

目的:CP-154526是选择性促肾上腺皮质激素释放激素1型受体(CRFR1)拮抗剂,但其脱靶作用仍未阐述清晰。方法:本研究以CP-154526为研究对象,以化合物-蛋白相互组学为手段,构建其药物-药物网络并做数据挖掘。结果:DRAR-CPI实验结果显示CP-154526与23个药物相似,与抗肿瘤药物和抗感染药物相似较多,与治疗帕金森病Bromocripti最为相似。数据挖掘进一步分析发现CP-154526可与单胺氧化酶B有作用。结论:CP-154526可能具有抗肿瘤、抗感染等多方面脱靶作用,还可能通过单胺氧化酶B治疗帕金森病症。本研究为快速评价药物的全面疗效提供一种思路。