drGAT:基于关注引导的药物反应基因评估,利用药物 - 细胞 - 基因异质网络
用单细胞 RNA 测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态,准确率达 92%,并发现了与预测相关的重要细胞类型和基因。同时,该方法为单细胞数据推断一个新的特征空间,并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入,这是首次将图注意力和深度学习应用于预测单细胞数据的疾病状态。
Feb, 2020
本文提出了一种新的多模态时间图注意力网络框架 —— 联合核图注意力网络(Joint kernel Graph Attention Network,JGAT),结合了功能磁共振成像(fMRI)和扩散加权成像(DWI)的数据,可以保留动态信息,具有更好的编码能力。使用 JGAT 模型从多个 7T fMRI 数据集中对大脑进行解码任务,同时可以计算和学习到注意力得分(AS)和帧得分(FS)来定位多个信息时间段,并建立富有意义的动态通路。
Jun, 2023
自动蛋白质功能预测是一项大规模多标签分类问题,它旨在通过自动化蛋白质富集分析,消除对耗时的湿实验方法的依赖。通过仅使用蛋白质序列进行预测的方法逐渐提高可靠性和降低计算成本。因此,我们提出了一种基于序列的层次预测方法 DeepGATGO,它以层次化的方式处理蛋白质序列和 GO 术语标签,并利用图形注意力网络(GATs)和对比学习进行蛋白质功能预测。实验证明,我们提出的模型在大规模数据集上的 GO 术语富集分析中具有更好的可扩展性。
Jul, 2023
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
使用 HGTDR(异构图转换器用于药物再利用)提出了一种三步方法,通过构建异构知识图、利用异构图转换器网络以及使用全连接网络计算关系得分,来解决药物再利用面临的挑战,并验证了 HGTDR 能够预测药物 - 蛋白质和疾病 - 蛋白质等其他类型的关系。
May, 2024
机器学习模型结合细胞基因组特征和药物化学特征,可以预测癌细胞株对治疗药物的敏感度,从而设计更优化的虚拟药物筛选来发现新型抗肿瘤药物的机会并最终应用于个性化医疗。
Dec, 2012
精准医学中,准确且稳健的药物反应预测至关重要。我们引入 TransCDR,利用迁移学习学习药物表示,并通过自注意机制融合药物和细胞系的多模态特征,预测细胞系对药物的 IC50 值或敏感状态。TransCDR 在预测上显示出比 8 种最先进模型更好的泛化能力,通过在不同情景下从头训练药物编码器的 5 个变体(即 RNN 和 AttentiveFP),TransCDR 的表现也超越其它模型。Extended Connectivity Fingerprint 和基因突变是多种药物标记和组学特征中最关键的贡献因素。此外,基于注意力的融合模块进一步增强了 TransCDR 的预测性能。在 GDSC 数据集上训练的 TransCDR 在外部测试集 CCLE 上表现出强大的预测性能。同时,我们还通过将 TCGA 的 7,675 名患者分类为药物敏感组和药物耐药组,进行基因集富集分析来研究药物反应的生物机制。TransCDR 是一种强大的工具,在药物反应预测中具有重要潜力。源代码和数据可在此 URL 中访问。
Nov, 2023
提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构,利用特征注意力和全局方向信息提高图信息的传播能力,并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性,实验证明在真实数据集和合成数据集上,DGAT 在性能上优于传统的 GAT 模型,并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。
Mar, 2024
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
通过构建一个异构图,并引入新的三元关注机制,我们开发了一种名为 HeTriNet 的模型,可以更好地理解药物 - 靶标 - 疾病之间的相互作用,并在预测这种三元关系问题上显示出了出色的性能。
Nov, 2023