Graph-Learning-Module verbessern die Vorhersage von Arzneimittel-Ziel-Interaktionen

Die Identifizierung von Arzneimittel-Ziel-Interaktionen (DTIs) stellt ein zentrales Bindeglied im Prozess der Arzneimittelentwicklung und des Arzneimitteldesigns dar. Sie spielt eine entscheidende Rolle bei der Eingrenzung des Screening-Bereichs potenzieller Arzneimittelmoleküle und erleichtert dadurch die Wiederverwendung von Arzneimitteln, senkt die Kosten der Arzneimittelentwicklung und verbessert die Effizienz der Arzneimittelentwicklung.

Quantitative Biologie hat veröffentlicht Ein Artikel mit dem Titel „GCARDTI: Vorhersage von Arzneimittel-Ziel-Interaktionen basierend auf dem Hybridmechanismus in Arzneimittel-SELFIES“, der zeigte, dass die Verwendung von Arzneimittel-SELFIES und der Mechanismus der Mischung von GCN und GAT zufriedenstellende Ergebnisse lieferte.

Das GCARDTI-Modell verwendet äußerst robuste Arzneimittel-SELFIES in Kombination mit Zielsequenzen, um heterogene Netzwerke aufzubauen und sie in einen hybriden Mechanismus eines Graph-Learning-Moduls einzugeben, um hochdimensionale Merkmale im latenten Raum von Arzneimitteln und Zielen zu erfassen.

Graph-Convolutional-Neural-Networks erfassen automatisch die Strukturinformationen von Medikamenten und Zielmolekülen, indem sie die Merkmalsvektoren benachbarter Atome aktualisieren, die durch chemische Bindungen verbunden sind. Das Aufmerksamkeitsmodul des Graph-Attention-Networks wird verwendet, um den Beitrag der entsprechenden Unterstruktur zu jedem Medikament und Ziel zu identifizieren.

Schließlich wird ein Layer-Graph-Convolutional-Neural-Network verwendet, um die Unterstrukturinformationen jedes Medikaments und Ziels zu aggregieren und seinen Merkmalsvektor zu aktualisieren, um niedrigdimensionale und wirksame Informationen zu Medikamenten und Zielen zu erhalten. Durch Tests an Datensätzen aus zwei verschiedenen Quellen wurde festgestellt, dass das GCARDTI-Modell in einigen Aspekten HIN2VEC, EVENT2VEC, HEER, GATNE, PGCN und DTI-HETA übertrifft.