ADCNet：一个用于预测抗体药物偶联物活性的统一框架
机器学习
2024-01-18 v1
摘要
抗体药物偶联物（ADC）因其能够精确靶向癌细胞并释放高效药物，在精准医疗时代彻底改变了癌症治疗领域。然而，由于ADC的结构与活性之间的关系难以理解，实现ADC的理性设计非常困难。在本研究中，我们引入了一个名为ADCNet的统一深度学习框架，以帮助设计潜在的ADC。ADCNet高度整合了蛋白质表示学习语言模型ESM-2和小分子表示学习语言模型FG-BERT模型，通过学习ADC的抗原和抗体蛋白序列、连接子和有效载荷的SMILES字符串以及药物抗体比（DAR）值中的有意义特征来实现活性预测。基于一个精心设计和手动整理的数据集，广泛的评估结果表明，与基线机器学习模型相比，ADCNet在测试集上的所有评估指标均表现最佳。例如，它在测试集上达到了87.12%的平均预测准确率、0.8689的平衡准确率和0.9293的受试者工作特征曲线下面积。此外，交叉验证、消融实验和外部独立测试结果进一步证明了ADCNet架构的稳定性、先进性和鲁棒性。为了方便学术界使用，我们基于最优ADCNet模型开发了首个用于预测ADC活性的在线平台（https://ADCNet.idruglab.cn），源代码在https://github.com/idrugLab/ADCNet上公开可用。
引用
@article{arxiv.2401.09176,
title = {ADCNet: a unified framework for predicting the activity of antibody-drug conjugates},
author = {Liye Chen and Biaoshun Li and Yihao Chen and Mujie Lin and Shipeng Zhang and Chenxin Li and Yu Pang and Ling Wang},
journal= {arXiv preprint arXiv:2401.09176},
year = {2024}
}