基于结构特征的药物靶点亲和力预测

预测药物与其靶向蛋白的结合亲和力是研发新药的关键步骤。传统的湿实验耗时长,成本高。随着人工智能技术的快速发展,在药物筛选阶段应用深度学习的技术可以大幅度提升研发效率。针对上述问题,提出一种基于卷积神经网络预测药物靶点亲和力的方法。将蛋白质和小分子的结构特征分别转换成对应的三维矩阵,送入对应的三维卷积神经网络中进行训练,然后再通过若干层全连接神经网络提取特征值,得到最终的亲和力值。实验结果表明,该模型可有效地预测药物靶点亲和力,具有良好的应用前景。

基于残差结构的图卷积网络的药物靶点亲和力预测

准确的药物靶点亲和力预测(DTA)能够缩短药物研发周期,节省人力和物力,加速药物研发过程。图神经网络(GNN)在药物靶点亲和力预测中得到了广泛应用,但现有的方法大多基于浅层GNN。该文提出了一种基于残差结构的图卷积网络,残差结构的加入能够加深网络结构,借此构建一个具有24个图卷积层的深度图卷积网络,以此捕获药物分子的特征,学习有效的嵌入表达,并在两个基准药物靶点亲和力数据集上与几种先进的基于机器学习或深度学习的模型进行比较。结果表明,该文所提模型相较于其他基准模型有着更好的预测性能,验证了该文所提方法的有效性。

深度学习在药物靶点亲和力预测中的应用

在药物研发前期阶段中,预测小分子药物和蛋白质靶点结合亲和力的计算机方法已经证明其关键作用,这类方法被称为药物靶点亲和力(Drug-Target Affinity,DTA)预测。其中基于深度学习的DTA预测方法表现出其预测模型优异的性能与巨大的潜力。这篇综述全面回顾了与基于深度学习的DTA预测相关的主题,如来源数据库、数据挖掘与特征学习方法、深度学习模型等,以及一些利用这些资源开发的代表性的预测方法。本综述首先从数据格式和编码方案的角度讨论了来自各种库的化合物和蛋白质数据。对于DTA预测模型,我们从两种角度进行分类,即预测任务类型的角度和模型采用的学习方法的角度,并且总结了每个类型代表性的DTA预测模型。最后,我们讨论了一些尚存的问题,以探索开发更强大和准确的DTA预测方法。

药物-靶点亲和力预测的全局特征提取策略

为有效解决药物靶点亲和力预测中单模型提取特征种类受限问题,结合深度学习混合模型,提出一种深度并行全局特征提取策略。利用卷积神经网络(CNN)和特征存储融合层构建局部特征提取器,实现药物靶点序列局部特征的多层次提取、存储与压缩;利用卷积神经网络(CNN)和双向长短时记忆(BiLSTM)神经网络的串行混合模型构建上下文特征提取器,提取局部特征之间的上下文联系;将两种互补特征进行融合。该特征提取策略解决了单模型提取特征种类受限问题,缓解了数据集差异对特征提取效率的影响。实验结果表明,该特征提取策略有助于提升预测模型的预测性能。