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。

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。