Mar, 2022

药物 - 靶标结合亲和力预测的分层图表示学习

PDF
TL;DR提出了一种新的分层图表示学习模型 HGRL-DTA 用于药物靶标亲和力预测，利用全局亲和力网络和局部分子图所学的分层表示，并采用相似性嵌入映射来解决未见药物和靶标的表示问题。实验结果表明，HGRL-DTA 在多种场景下显著优于现有的基准模型，并显示出更好的模型泛化性能。
drug-target binding affinitydeep learninggraph representation learningmolecular graphmodel generalization
发现论文，激发创造
  • HiGraphDTI: 药物 - 靶标相互作用预测的分层图表示学习

    通过学习三层分子图中层次化的药物表征，结合关注机制，识别关键分子片段，该研究提出了一种基于层次化图表示学习的药物靶标相互作用预测方法，从而更好地利用原子、模式和分子中嵌入的化学信息，提取了表达丰富的靶标特征，展示出其在 DTI 预测上的优越性。

    Apr, 2024

  • DeepDTA: 深度药物 - 靶向结合亲和力预测

    利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

    Jan, 2018

  • DeepGS: 用于药物靶点结合亲和力预测的图和序列的深度表示学习

    本研究介绍了一种使用深度神经网络从氨基酸和 SMILES 序列中提取局部化学上下文并从药物中提取分子结构的端到端学习框架 DeepGS，并使用先进的嵌入技术 Smi2Vec 和 Prot2Vec 对象进行符号数据处理，相比 KronRLS、SimBoost、DeepDTA 和 DeepCPI 等现有模型，实验结果显示出 DeepGS 的优越性和竞争力。

    Mar, 2020

  • 基于混合图网络和动态提示的药物 - 靶点结合亲和力预测

    本研究提出了一种新颖的 DTA 预测方法，名为 HGTDP-DTA，该方法利用混合图转换器框架中的动态提示，生成每个药物 - 靶点对的上下文特定提示，进而增强模型捕捉独特的相互作用，并采用多视图特征融合方法将分子图视图和亲和子图视图投影到一个公共特征空间，从而高效地结合了结构和上下文信息。实验结果表明，HGTDP-DTA 在预测性能和泛化能力方面均优于现有的 DTA 预测方法。

    Jun, 2024

  • GraphCL-DTA: 分子语义的图对比学习用于药物靶标结合亲和力预测

    该研究提出了一种基于分子语义的图对比学习方法 GraphCL-DTA，用于药物靶标结合亲和力的预测，通过该方法可以学习到更加准确和有效的药物表示，并优化药物和靶标的表征质量。该方法在实际数据集 KIBA 和 Davis 上表现良好，明显优于其他最新模型。

    Jul, 2023

  • 基于图神经网络和双重门控循环单元的药物靶点结合亲和力预测

    本研究提出一种基于 GraphDTA 的新方法称为 GDGRU-DTA，用于预测药物和靶标之间的结合亲和力，该方法使用 GRU 和 BiGRU 来提取蛋白质序列的特征，并使用两种不同的图卷积方法来处理药物图，最终模型在两个基准数据集上表现出优异的性能。

    Apr, 2022

  • 大规模药物相互作用预测的分层多关系图表示学习

    本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用，通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联，并且利用高级药物对预测药物间相互作用进行性能优越的预测。

    Feb, 2024

  • SMT-DTA: 半监督多任务训练提高药物 - 靶标亲和力预测

    本文提出了一种基于深度学习的多任务训练、半监督学习和交叉注意力模块的方法，预测药物 - 靶标亲和性，有效地应用于药物设计和制造过程中，实验结果显示此方法具有较高的准确性和广泛的应用前景。

    Jun, 2022

  • WideDTA: 预测药物 - 靶点结合亲和力

    使用四种基于文本的信息源 —— 蛋白质序列、配体 SMILES、蛋白质结构域和模体以及最大公共子结构单词预测结合亲和力，同时证明了基于单词的序列表示法是预测结合亲和力的深度学习模型的一种有前途的替代方法。

    Feb, 2019

  • 朝着更具归纳性的药物重用方法的世界迈进

    该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。

    Nov, 2023