AtomNet：用于基于结构的药物发现中生物活性预测的深度卷积神经网络
机器学习
2015-10-13 v1 神经与进化计算
生物大分子
机器学习
摘要
深度卷积神经网络构成了深度神经网络(DNN)的一个子类，其受约束的架构能够利用其所建模领域的空间与时间结构。卷积网络通过将简单的局部特征分层组合为复杂模型，在语音和图像识别等领域取得了最佳的预测性能。尽管DNN已被用于药物发现中的QSAR和基于配体的生物活性预测，但这些模型均未受益于这种强大的卷积架构。本文介绍了AtomNet，这是首个基于结构的深度卷积神经网络，旨在为药物发现应用预测小分子的生物活性。我们展示了如何将特征局部性与分层组合的卷积概念应用于生物活性与化学相互作用的建模。与现有的DNN技术进一步对比，我们表明，AtomNet将局部卷积滤波器应用于结构性靶点信息，成功预测了针对先前无已知调节剂的靶点的新活性分子。最后，我们表明AtomNet在多样化的基准测试集上以巨大优势超越了以往的对接方法，在DUDE基准测试中57.8%的靶点上取得了大于0.9的AUC。
引用
@article{arxiv.1510.02855,
title = {AtomNet: A Deep Convolutional Neural Network for Bioactivity Prediction in Structure-based Drug Discovery},
author = {Izhar Wallach and Michael Dzamba and Abraham Heifets},
journal= {arXiv preprint arXiv:1510.02855},
year = {2015}
}