编辑 | 紫罗
药物-靶点相互作用(DTI)猜测在药物发现中发挥着重要作用。尽管药物靶点猜测的智能计算法子受到了广泛关注,并取得了许多进展,但仍然是一项具有挑战性的任务,需要进一步的钻研。
为了解决上述挑战,江南大学钻研团队提出了一种集成深度进修和图进修的多视图集成进修收集(MINDG)。
MINDG 分离图进修和深度进修来提取药物和蛋白质的内涵构造信息,以及它们之间的外在关系信息。因此,与之前的法子相比,MINDG 进步了模型猜测的机能。
相关钻研以《MINDG: a drug–target interaction prediction method based on an integrated learning algorithm》为题,于 2024 年 3 月 14 日发布在《Bioinformatics》上。
GitHub 地址:https://github.com/jnuaipr/MINDG
论文链接:https://doi.org/10.1093/bioinformatics/btae147
四种 DTI 猜测法子
DTI 猜测指猜测给定的药物分子是否会与特定靶点分离,从而发挥靶向治疗作用。
目前 DTI 猜测法子主要有四类:鉴于相似性的法子、机器进修法子、深度进修法子和图进修法子。
鉴于相似性的法子,例如,阿卜杜拉国王科技大学 (KAUST) Thafar 团队提出的 DTi2Vec 法子可以猜测药物和蛋白质之间的联系,而无需挖掘药物和蛋白质的额外内部信息。
机器进修法子利用蛋白质构造和序列信息来猜测目标。例如,使用化学构造、药物质谱和氨基酸序列来表示蛋白质以猜测药物-靶标相互作用。
深度进修法子将特征、模型和生物信息学收集与其他法子相分离,以获得更好的猜测结果。
目前,在 DTI 猜测的可用法子中,鉴于图卷积收集(GCN)的法子最有前景。
药物靶标猜测的智能计算法子受到了广泛关注并取得了重大进展。然而,这仍然是一项具有挑战性的任务。
主要挑战表现为:(i)大多数鉴于图神经收集(GNN)的法子只考虑图中一阶相邻节点(药物和靶标)的信息,而没有从高阶相邻节点中进修更深入、更丰富的构造特征。(ii)现有法子没有同时考虑药物和靶标的序列和构造特征,各法子相互独立,无法分离序列和构造特征的优点来进步交互式进修效果。
MINDG 进步了 DIT 猜测机能
为了应对这一挑战,该钻研提出了一种集成深度进修和图进修的多视图集成进修收集(MINDG)。
图示:MINDG 模型的总体架构。(来源:论文)
该收集由以下部分组成:(i)采用混合深度收集(HDN)提取药物和靶点的序列特征,(ii)提出了高阶图注意卷积收集以更好地提取和捕获构造特征,(iii)使用多视图自适应集成决策模块对上述两种收集的初始猜测结果举行改进和补充,进步猜测机能。
图示:混合深度收集(HDN)的构造图。(来源:论文)
该钻研的贡献主要体现在三个方面:
设计药物和蛋白质靶标图进修的注意力机制,并提出高阶图注意力卷积收集(HOAGCN)。
融合消息传递神经收集 (MPNN) 和卷积神经收集(CNN)法子来增强药物和蛋白质目标序列的构造特征进修;。
提出集成深度进修和图进修的多视图集成进修收集(MINDG)。
图示:高阶图注意力卷积收集(HOAGCN)的构造。(来源:论文)
尝试钻研
为了验证 MINDG 的有效性,在以下方面举行了尝试分析:(i)与当前机能较好的药物-靶点相互作用猜测法子的机能比较;(ii) 举行了消融尝试;(iii) 举行了猜测结果的应用钻研。
在两个数据集上(BindingDB 和 DAVIS)评估 MINDG,表明与最先进的基线相比,它进步了 DTI 猜测机能。MINDG 分离了图神经收集和深度进修法子的优点,比单独使用任何一种法子都有更好的机能。
接下来,举行了消融分析,钻研了多视图进修对猜测机能的影响。
从尝试结果中可以看出,与 View1、View2 和 MAIDM 相比,MINDG 改进了所有数据集的指标。无论使用哪种单独视图,相应模型的猜测能力都弱于鉴于两种视图协同的猜测机能。这也表明多个视图具有互补作用,通过它们的协同作用,可以更充分地利用高阶图注意力收集和混合深度收集进修到的不同视图的深层特征,从而进步整体模型的机能。
最后,利用 MINDG 举行抗病毒药物再利用的探索。使用由清华大学 Gao Yan 等人解析的 SARS-CoV-2 3CL 蛋白酶序列输入模型,猜测分离亲和力值排名前 10 的药物。
在 MINDG 生成的候选药列表中药物疗效的实际应用,有助于证明 MINDG 猜测结果的信息价值。
不足和改进方向
MINDG 与一些最先进的法子举行了各种比较,结果表明所提出的法子机能更佳。
然而,MINDG 只是以顺序的方式进修药物和蛋白质的内涵构造信息,并没有充分利用所有可用的内涵构造信息。
未来,图进修法子可能会被用来进修药物和蛋白质的内涵构造。此外,由于钻研有限,钻研人员还没有举行湿尝试阶段。计划将来举行进一步的湿尝试,包括药物 panel 测试。
【推荐阅读】
药物分子设计新策略,微软条件扩散模型DiffLinker登Nature子刊
可发现药物靶点,哈佛、Hopkins、中国科学院等机构鉴于Transformer开发了一种可对蛋白翻译动态变化建模的深度进修法子
100%化学有效,高度类似药物,川大开发数据和知识双驱动的AI分子生成框架
举行药物靶标亲和力猜测,浙大&华科大团队开发扩展图进修卷积收集法子
药物-靶标亲和力猜测,上科大团队开发了一种Transformer编码器和指纹图谱相分离的法子
中科大团队提出 SDGAE,一种鉴于图卷积自编码器的 DTI 猜测法子