Barlow Twins 深度神经网络用于高级 1D 药物-靶点相互作用预测
生物大分子
2024-10-15 v3 人工智能
机器学习
摘要
准确预测药物-靶点相互作用对于推进药物发现至关重要。通过减少时间和成本，机器学习和深度学习可加速这一繁琐的发现过程。我们提出了一种新方法 BarlowDTI，利用强大的 Barlow Twins 架构进行特征提取，同时考虑靶点蛋白的结构。该方法仅使用一维输入即可在多个既定基准测试中实现最先进的预测性能。采用梯度提升机作为底层预测器，确保无需大量计算资源即可进行快速高效的预测。我们还研究了模型如何基于单个训练样本作出决策。通过比较共晶结构，我们发现 BarlowDTI 有效利用了催化活性和稳定残基，凸显了该模型从一维输入数据中进行泛化的能力。此外，我们进一步对新基线方法进行了评估。总体而言，这些创新提高了药物-靶点相互作用预测的效率和效果，为加速药物开发并深化对分子相互作用的理解提供了稳健工具。因此，我们提供一个易于使用的 web 界面，可在 https://www.bio.nat.tum.de/oc2/barlowdti 免费访问。
引用
@article{arxiv.2408.00040,
title = {Barlow Twins Deep Neural Network for Advanced 1D Drug-Target Interaction Prediction},
author = {Maximilian G. Schuh and Davide Boldini and Annkathrin I. Bohne and Stephan A. Sieber},
journal= {arXiv preprint arXiv:2408.00040},
year = {2024}
}
备注
Refined model architecture, additional results added