Ein Deep-Learning-Framework für die Vorhersage von Arzneimittel-Arzneimittel-Wechselwirkungen und Arzneimittel-Ziel-Wechselwirkungen

Die Erforschung der biomedizinischen Wechselwirkungen chemischer Verbindungen und Proteinziele ist für die Arzneimittelentwicklung von entscheidender Bedeutung. Die Bestimmung dieser Arzneimittel-Wirkstoff-Wechselwirkungen (DDI) und Arzneimittel-Ziel-Wechselwirkungen (DTI) deckt nicht nur die potenziellen synergistischen Effekte von Arzneimittelkombinationen auf und verbessert die Arzneimittelwirksamkeit, sondern trägt auch zur Wiederverwendung von Arzneimitteln bei, senkt die Arzneimittelentwicklungskosten und verbessert die Effizienz der Arzneimittelentwicklung. Daher ist die Vorhersage von Wechselwirkungen zwischen Arzneimitteln und Arzneimittelzielen ein wichtiges Thema im Bereich der Arzneimittelforschung.

Quantitative Biologie hat kürzlich veröffentlicht ein Artikel mit dem Titel „DeepDrug: Ein allgemeines graphbasiertes Deep-Learning-Framework für Arzneimittel-Arzneimittel-Interaktionen und die Vorhersage von Arzneimittel-Ziel-Interaktionen“, der zeigt, dass DeepDrug die umfassenden strukturbasierten und sequenzbasierten Darstellungen von Arzneimitteln und Proteinen lernt und so eine optimale Leistung über einen Zeitraum hinweg erzielt Aufgabenbereich durch Nutzung der Restgraph-Faltungsnetzwerke und Faltungsnetzwerke.

DeepDrug sagt Arzneimittel-/Zielinteraktionen voraus, indem es Sequenzmerkmale und Strukturmerkmale kombiniert und dabei Faltungsmodule bzw. Restgraph-Faltungssubmodule nutzt. DeepDrug übertrifft modernste Methoden in einer Reihe systematischer Experimente, darunter DDIs binärer Klassen, DDIs mehrerer Klassen/Multilabels, DTIs-Klassifizierung binärer Klassen und DTIs-Regressionsaufgaben.

Darüber hinaus zeigen die von DeepDrug erlernten Strukturmerkmale kompatible und übereinstimmende Muster in den chemischen Eigenschaften und Arzneimittelkategorien und liefern zusätzliche Belege für die starken Vorhersagefähigkeiten von DeepDrug. Als Anwendung wird DeepDrug eingesetzt, um potenzielle Medikamentenkandidaten gegen SARS-CoV-2 zu entdecken, wobei in der einschlägigen Literatur über 7 von 10 Medikamenten mit dem höchsten Rang berichtet wird.