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。

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。

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。

药物-靶标相互作用预测平台设计与实现

旧药新用是应对突发疾病的有效手段。利用计算技术筛选潜在的药物-靶标关联,有利于快速发现治疗疾病的候选药物。基于Matlab语言设计了一款药物-靶标预测平台,在标准数据集上运用网络一致性投影方法预测,分析了余弦相似性计算、高斯内核相似性计算及Logistic变换对预测结果的影响,实验结果证实了平台的有效性。

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。

基于深度学习的“药物-靶点”亲和力预测方法设计

目的:构建一种基于深度神经网络的“药物-靶点”亲和力预测方法。方法:先对拟定药物进行独热编码,并使用预训练语言表征模型对靶蛋白进行编码,以捕获氨基酸序列中的重要信息,然后设计2个独立的卷积神经网络,通过4个全连接层来预测“药物-靶点”的亲和力。最后在Davis激酶结合亲和力数据集和KIBA大规模激酶抑制剂生物活性数据集上验证本方法的性能,并将实验结果与KronRLS、SimBoost、DeepDTA算法结果进行比较。结果:相较于KronRLS、SimBoost、DeepDTA算法,本方法在Davis激酶结合亲和力数据集和KIBA大规模激酶抑制剂生物活性数据集上均获得了最高的一致性指数和最低的均方误差值。结论:采用双向语言模型对靶蛋白进行编码后再进行深度学习,可以提高“药物-靶点”亲和力预测的准确度。

基于混合特征预测药物-靶标相互作用的K近邻模型

针对核受体数据提取药物-靶标之间的混合特征,使用K近邻算法进行预测。对精确率、召回率、F1值等评价指标与其他算法进行了比较,验证模型的预测性能。

基于图神经网络的药物-靶标相互作用预测研究

阐述基于图神经网络的药物-靶标相互作用预测问题的主要变体,并对各种变体的方法进行深入梳理与分析,对常用数据集进行整理与分析,最后对药物-靶标相互作用预测进行总结与展望。

基于异质信息网络元路径的药物-靶标相互作用预测模型

提出一种融合元路径信息的图神经网络模型,用于预测药物-靶标相互作用(GMDTI)。首先根据8个数据集中的药物、靶标、疾病和副作用数据以及它们之间的8种作用关系,构建药物-靶标异质信息网络(HIN);然后定义两条元路径来捕获药物-靶标HIN中的不同子结构信息和不同节点间隐藏的语义信息,并应用图神经网络的方法聚合节点的一阶邻居信息和元路径中节点间的语义信息;最后利用端到端的学习方法完成DTIs预测。该方法同时考虑药物-靶标HIN的结构特性和元路径语义信息,有助于学习到更多潜在的药物-靶标作用关系。实验结果表明,GMDTI的预测准确率高于所有基线模型,AUC达到98.6%,AUPR达到94.5%。同时通过调整数据的稀疏度和降噪实验,证明GMDTI具备优于所有基线模型的鲁棒性。

基于多信息集成的药物靶标预测方法研究

准确的药物-靶标相互作用预测在药物发现和重新定位中有重要作用。传统的方法要么费时(基于模拟的方法),要么严重依赖领域专业知识(基于相似性和基于特征的方法),而且现有的使用单一数据信息或稀疏数据的计算方法普遍准确性不高。尽管多个异构网络整合已被广泛用于预测药物靶标,但如何尽可能多的保留网络结构信息仍然是一个巨大的挑战。本文提出一种新颖的框架NGDTI,不仅从网络中提取相关的生物学特性和关联信息,而且保留重要的网络拓扑信息。其利用图神经网络更新提取的特征信息,所发现的药物和靶标的拓扑特征使药物-靶标相互作用预测更加准确。与最新的基准方法相比,本文模型的AUPR值提高了0.01。实验结果表明,NGDTI在药物开发和重新定位方面有良好的应用前景。

基于图卷积网络的药物靶标关联预测算法

传统的基于生物学实验的药物-靶标关联预测成本高、效率低,难以满足医药研发的需求。为了解决上述问题,提出一种新的基于图卷积网络的药物靶标关联预测(GCDTI)算法。GCDTI利用半监督学习方法将图卷积和自编码技术相结合,从而分别构建用于整合节点特征的编码层和用于预测全链接交互网络的解码层;同时使用图卷积技术建立潜在因子模型,并有效利用药物和靶标的高维属性信息进行端到端的学习。所提算法不需要对输入的特征信息进行任何预处理便可以将其与已知相互作用网络相结合,证明了该模型的图卷积层能够有效地融合输入数据与节点特征。与其他先进方法相比,GCDTI的预测精度和平均受试者工作特性(ROC)曲线下的面积(AUC)(0.924 6±0.004 8)最高,且具有较强的鲁棒性。实验结果表明:当需要预测大量的药物和靶标数据的关联关系时,利用端到端学习的模型架构的GCDTI有潜力成为一种可靠的预测方法。

基于符号网络的药物靶标相互作用关系预测

药物-靶标相互作用(DTI)预测在新药物研发中具有重要意义。大多数计算方法将其建模为二元预测问题,忽视了DTI的具体类型。考虑DTI的积极或消极作用,将有利于研究多种药物对共同靶标的综合作用机理。通过构建药物靶标符号网络,将DTI预测问题转化为药物与靶标异构网络的符号链路预测问题,并引入Logistic回归与随机游走构建学习系统。在两个数据集进行实验,其预测结果呈现出良好的指标,表明该思路的可行性。

基于人工智能的药物-靶标相互作用预测

目的建立一个高效的药物-靶标相互作用预测分类模型,为生物实验提供有力的补充工具。方法研究开发一种基于深度学习的方法来预测药物-靶标相互作用:通过引入高维分子指纹和蛋白质描述符,并应用概率矩阵分解算法生成负样本集,构建一个高效的药物-靶标相互作用预测分类模型。结果与其他已报道的方法相比,本方法具有可比性或优越性,预测准确性、特异性、敏感性以及AUC值均>90%,提示该方法在药物靶标预测方面具有良好的应用前景。结论人工智能深度学习模型以及概率矩阵分解算法的结合有助于解决药物-靶标相互作用预测精度低、负样本选择不合理等问题。