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

Jul, 2023

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

GraphCL-DTA: a graph contrastive learning with molecular semantics for drug-target binding affinity prediction

Xinxing Yang, Genke Yang, Jian Chu

TL;DR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。

Abstract

drug-target binding affinity prediction plays an important role in the early stages of drug discovery, which can infer the strength of interactions between new drugs and new targets. However, the performance of previous computational models is limited by the following drawbacks. The le

drug-target binding affinity prediction graph contrastive learning molecular graphs drug representations uniformity

发现论文，激发创造

药物 - 靶标结合亲和力预测的分层图表示学习

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。

Mar, 2022

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

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

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

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

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

MoCL: 基于知识感知对比学习的分子图数据驱动的分子指纹

本文研究了图对比学习在生物医药领域中的应用，提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估，结果表明 MoCL 达到了最先进的性能水平。

Jun, 2021

DrugCLIP：用于虚拟筛选的对比蛋白质 - 分子表示学习

本文介绍了一种新颖的对比学习框架 DrugCLIP，通过将虚拟筛选重新构建为密集检索任务，并利用对比学习来对齐大量配对数据中的结合蛋白口袋和分子的表示，从而无需准确的结合亲和力标签。同时，我们还引入了一种受生物知识启发的数据增强策略，以学习更好的蛋白质 - 分子表示。广泛实验结果表明，DrugCLIP 在不同的虚拟筛选基准测试中明显优于传统对接和监督学习方法，尤其是在零样本设置中，大大减少了计算时间。

Oct, 2023

利用化学元素知识图谱的分子对比学习

该论文提出了一种基于知识的图对比学习框架，利用化学元素知识图来辅助原子表示学习，取得了在药物设计方面的优异表现。

Dec, 2021

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