基于门控交叉注意力的可解释药物-靶点相互作用框架
机器学习
2021-09-20 v1
摘要
药物-靶点相互作用（DTI）的计算机预测对药物发现具有重要意义，因其可大幅缩减药物开发流程的时间与成本。具体而言，基于深度学习的 DTI 方法已在预测的准确性与低成本方面展现出有前景的结果。然而，它们很少关注预测结果的可解释性以及药物与靶点之间特征级的交互。本研究中，我们提出一种新颖的可解释框架，能为相互作用位点提供合理线索。为此，我们精心设计了门控交叉注意力机制，通过在这些特征间构建显式交互来交叉关注药物与靶点特征。该方法中的门控函数使神经模型能聚焦于药物和蛋白整个序列上的显著区域，且该函数产生的副产品即注意力图可作为可解释因素。实验结果显示所提方法在两个 DTI 数据集上的有效性。此外，我们表明门控交叉注意力能对突变敏感响应，该结果可为识别靶向突变蛋白的新型药物提供见解。
引用
@article{arxiv.2109.08360,
title = {An Interpretable Framework for Drug-Target Interaction with Gated Cross Attention},
author = {Yeachan Kim and Bonggun Shin},
journal= {arXiv preprint arXiv:2109.08360},
year = {2021}
}
备注
16 pages, Proceedings of Machine Learning for Healthcare, 2021 (MLHC'21)