基于图卷积和双线性注意力网络的药物靶标亲和力预测

药物靶标亲和力预测在药物研发中扮演着重要的角色。针对现有预测方法大多忽略药物分子的二维结构信息、缺乏深层表征融合学习的问题,提出了基于图卷积和双线性注意力网络的药物靶标亲和力预测模型(GBN_DTA)。该模型首先基于多层图卷积神经网络编码药物分子图,同时结合1D-CNN和双向长短期记忆网络(BiLSTM)编码靶标序列;然后使用双线性注意力网络融合编码后的药物和靶标特征,最终获得亲和力预测分数。实验结果表明,该模型在DAVIS和KIBA数据集上的性能均优于其他6种主流方法,有效提升了预测准确率。

基于图注意力和蛋白质语言模型的药物靶标亲和力预测

在新药研发中,药物与靶标的结合亲和力是一个关键指标,对于它的准确预测对加速药物筛选至关重要。近年来,随着深度学习技术的应用,药物与靶标的结合亲和力预测取得了显著进步,受到了广泛关注。然而,现有方法大多忽略药物的结构信息,且缺乏学习蛋白质的序列与结构之间的深层模式,导致预测性能受限。针对该问题,本文提出了一种新的方法,它结合了图注意力网络和蛋白质语言模型,以更有效地表征药物和蛋白质。本文在两个公开的数据集上进行了实验,并与其他同类方法进行了比较。实验结果显示,本文提出的方法能够显著提升预测准确率,这证明了本文提出的方法的有效性。

Bert-DTA:基于混合编码策略的药物靶标亲和力预测

药物靶标亲和力预测是一种筛选药物的新型方法,可以直观地根据蛋白质序列特点筛选候选药物,该方法不仅可以为临床提供指导,而且可以有效节省资源和时间。现代研究利用不同的编码方式对蛋白质或药物序列进行编码,进而提出不同深度学习模型。然而,在生物学上,蛋白质和药物的结合是通过序列中的模体和药物的子序列结合来实现的。为了更精确地模拟这一过程,论文提出了一种可以统一子序列的编码模型——Bert-DTA,旨在提取蛋白质和药物的二级结构特征,使特征更具有生物可解释性,并以此为基础挖掘蛋白质与药物之间的相互作用机理。Bert-DTA以双向Transformer作为骨架,并对蛋白质和药物使用联合编码,挖掘DTA在二级结构层面的相互作用信息。经实验验证,Bert-DTA在药物靶标亲和力预测方面有不错的效果。

基于深度学习的药物-靶标结合亲和力预测模型

药物-靶标结合亲和力(Drug-Target Affiinity,DTA)预测在药物发现中具有重要的作用。现有DTA模型能够很好地预测药物靶标亲和力,但是仍存在单一形式的分子表征学习方法对分子学习不充分的问题。基于此,提出一种基于深度学习的药物-靶标结合亲和力预测模型。该模型在药物信息编码部分,采用图同构神经网络和多层感知器分别学习分子图和PubChem分子指纹信息,利用注意力机制丰富药物分子图信息;在靶标信息编码部分,使用一维卷积神经网络(Convolution Neural Network,CNN)学习蛋白质序列信息。

基于深度学习与多层次信息融合的药物靶标亲和力预测

药物研发是非常重要但也十分耗费人力物力的过程。利用计算机辅助预测药物与蛋白质亲和力的方法可以极大地加快药物研发过程。药物靶标亲和力预测的关键在于对药物和蛋白质进行准确详细地信息表征。提出一种基于深度学习与多层次信息融合的药物靶标亲和力的预测模型,试图通过综合药物与蛋白质的多层次信息,来获得更好的预测表现。首先将药物表述成分子图和扩展连接指纹两种形式,分别利用图卷积神经网络模块和全连接层进行学习;其次将蛋白质序列和蛋白质K-mer特征分别输入卷积神经网络模块和全连接层来学习蛋白质潜在特征;随后将4个通道学习到的特征进行融合,再利用全连接层进行预测。在两个基准药物靶标亲和力数据集上验证了所提方法的有效性,并与其他已有模型作对比研究。结果说明提出的模型相比基准模型能得到更好的预测性能,表明提出的综合药物与蛋白质多层次信息的药物靶标亲和力预测策略是有效的。

基于图卷积神经网络的药物-靶标亲和力预测算法

近年来,由于药物开发比较耗时,且常常伴有安全性问题,使用深度学习技术预测药物-靶标亲和力(Drug-Target Affiinity,DTA)成为一个有效的替代方案。基于此,提出采用基于图卷积神经网络的算法来有效捕获药物的结构信息,学习被表示成图的药物特征,使用一维卷积神经网络学习蛋白质特征。将所提出的方法分别在两个基准药物靶标结合亲和数据集上进行了验证,并与已有的先进模型进行比较。

多视角多注意力融合分子特征的药物-靶标亲和力预测

近期深度学习在药物-靶标亲和力(DTA)任务上受到极大关注,然而现有工作多将分子单一结构嵌入为向量,忽略了多视角融合分子特征对最终特征表示提供的信息增益。针对单一结构分子存在特征不完备性的问题,提出了一种基于注意力融合多视角分子特征的预测DTA的端到端深度学习方法,其核心模块为多视角分子结构嵌入(Mas)和多注意力特征融合(Mat)。首先,使用Mas模块将多视角分子结构嵌入到特征向量空间;然后,通过Mat模块融入分子特征层级的注意力机制,从而对不同视角的分子特征进行加权融合;其次,根据药物-靶标相互作用(DTI)执行两者特征级联;最后,利用全连接神经网络回归预测亲和力。在Davis和KIBA数据集上的实验验证了训练比率、多视角特征融入、多注意力融合、以及相关参数对亲和力预测性能的影响。与GraphDTA方法相比,所提方法的均方误差(MSE)在Davis和KIBA两个数据集上分别降低了4.8%和6%。实验结果表明,注意力融合多视角分子特征能够捕获对蛋白质靶位上链接的相关性更高的分子特征。

无化学修饰的小分子药物靶蛋白鉴定技术及其应用进展

鉴定小分子药物的靶蛋白对于理解药物的作用机理以及药物副作用至关重要。传统方法需要对药物进行化学修饰共价交联,可能会导致药物活性的改变。目前已经发展多种无需化学修饰便可以对药物靶蛋白鉴定的方法,包括药物亲和力反应靶标稳定性技术(Drug affinity responsive target stability,DARTS)、蛋白质氧化速率稳定性技术(Stability of proteins from rates of oxidation,SPROX)、细胞热移位分析技术(Cellular thermal shift assay,CETSA)和热蛋白组分析技术(Thermal proteome profiling,TPP)等。文中将介绍这些技术的原理、应用以及各自的优点和局限性,另外也介绍了这些技术最新的优化方案。