FusionDTI: 利用令牌级融合进行细粒度的药物靶标相互作用发现

Jun, 2024

FusionDTI: 利用令牌级融合进行细粒度的药物靶标相互作用发现

FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction

Zhaohan Meng, Zaiqiao Meng, Iadh Ounis

TL;DR本研究提出了一种名为 FusionDTI 的新模型，通过使用 SELFIES 表示药物和结构感知的目标蛋白质词汇，以及利用预训练的语言模型捕捉复杂信息，有效地学习药物 - 靶蛋白交互的细粒度信息，并在三个著名基准数据集上展现出与七种现有模型相比最佳的 DTI 预测性能，进一步突显了 FusionDTI 在 DTI 预测中的潜在结合位点和提高可解释性。

Abstract

Predicting drug-target interaction (DTI) is critical in the drug discovery process. Despite remarkable advances in recent DTI models through the integration of representations from diverse drug and target encoders, such models often struggle to capture the fine-grained interactions bet

drug-target interaction dti prediction fusiondti model binding mechanisms drug design

发现论文，激发创造

药物 - 靶点相互作用预测的跨领域融合策略

药物靶标作用（DTI）预测是药物发现过程中的关键组成部分。本文提出了一种双通道网络结构的交叉领域监督学习模型 SiamDTI，通过跨领域信息融合策略获取局部和全局蛋白质信息，并在三个基准数据集上实验证明 SiamDTI 在预测新药物和靶标方面具有较高的准确性。

May, 2024

基于自注意力机制的分子表示法预测药物靶点相互作用

本文提出一种基于 self-attention 机制的新型分子表征和一种新的 DTI 模型，实验证明其在面积下的精度 - 召回曲线方面能够优于现有技术的最新研究成果。此外，实验表明该模型能够在包含已知癌症生物标志物的情况下，有效地列出所有已知的针对该生物标志物的药物在前 30 个候选清单中

Aug, 2019

FragXsiteDTI：用 Transformer 驱动的解读方法揭示药物靶向相互作用中的关键部分

利用 FragXsiteDTI 模型，同时运用药物分子碎片和蛋白质口袋，优化了药物靶标相互作用预测的模型解释性和性能，其详细的蛋白质和药物的信息表征提供了药物靶标相互作用的详细视角。通过 Perceiver IO 框架，模型的可学习潜在数组用于蛋白质结合位点嵌入的交叉注意力，并通过自注意力进行调整，作为查询药物分子在药物的交叉注意力变换块中的属性，从而保留了药物 - 蛋白质相互作用中的关键细微差异，并且在三个基准数据集上的计算结果表明，我们的模型在预测能力上超过了几种先进模型，同时还显示出针对药物靶标对中目标蛋白质和药物分子的关键成分的解释性。

Nov, 2023

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

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

细调的小型语言模型准确预测配体 - 蛋白质相互作用亲和力

通过使用 fine-tuned 预训练生成型小语言模型 (SLM)，我们描述了准确预测配体 - 蛋白相互作用 (LPI) 亲和度，也称为药物靶点相互作用 (DTI)。我们在无样本设置中针对与配体 - 蛋白相互作用相关的一系列亲和度值进行了准确的预测。模型输入只使用了配体的 SMILES 化学式和蛋白氨基酸序列。我们的结果表明，在准确预测一系列配体 - 蛋白相互作用亲和度方面，与基于机器学习 (ML) 和自由能扰动 (FEP+) 方法相比，我们取得了明显的改进，这可以加速针对具有挑战性的治疗靶点的药物发现项目。

Jun, 2024

PGraphDTA: 利用蛋白质语言模型和接触图改进药物靶点相互作用预测

本研究探讨了药物靶点相互作用预测的各种技术及其改进方法，通过整合蛋白质语言模型和接触图信息提高了模型性能，为寻找针对特定蛋白质的潜在药物加速了药物发现过程。

Oct, 2023

DTIAM: 一个统一的框架用于预测药物靶标相互作用、结合亲和力和激活 / 抑制机制

DTIAM 提供了一个统一的框架，可准确而可靠地预测药物靶点相互作用、结合亲和性和激活 / 抑制机制。

Dec, 2023

基于精细化的选择性相似性整合用于药物靶点相互作用预测

本文提出了一种称为 FGS 的细粒度选择性相似性集成方法，它利用基于局部相似性特征的一致性权重矩阵，以更细的粒度捕捉和利用相似性的重要性，实现了更好的药物 - 靶标互作预测表现。

Dec, 2022