BridgeDPI：一种用于预测药物-蛋白质相互作用的新型图神经网络
机器学习
2021-02-01 v1 社会与信息网络
定量方法
摘要
动机：探索药物-蛋白质相互作用（DPIs）是药物发现中的关键步骤。可用生物数据的快速增长使计算方法能有效辅助实验方法。其中，深度学习方法仅从蛋白质序列、分子结构等基本特征中提取特征；另一些方法通过不仅学习序列/分子，还学习蛋白质-蛋白质与药物-药物关联（PPAs 与 DDAs）而取得显著改进。PPAs 与 DDAs 通常通过计算方法获得。然而，现有计算方法存在局限，导致低质量的 PPAs 与 DDAs，损害了预测性能。因此，我们希望开发一种新型监督学习方法来有效学习 PPAs 与 DDAs，从而提升 DPI 这一特定任务的预测性能。结果：本研究中，我们提出一种名为 BridgeDPI 的新型深度学习框架。BridgeDPI 引入一类称为超节点（hyper-nodes）的节点，其桥接不同蛋白质/药物以充当 PPAs 与 DDAs。由于整个过程为端到端学习，超节点可针对 DPI 特定任务进行监督学习。因此，此类模型将提升 DPI 的预测性能。在三个真实世界数据集中，我们进一步证明 BridgeDPI 优于 SOTA 方法。此外，消融研究验证了超节点的有效性。最后，在独立验证中，BridgeDPI 探索了 COVID-19 蛋白质与各类抗病毒药物间的候选结合。预测结果与世界卫生组织及美国食品药品监督管理局（Food and Drug Administration）的声明相符，显示了 BridgeDPI 的有效性与可靠性。
引用
@article{arxiv.2101.12547,
title = {BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions},
author = {Yifan Wu and Min Gao and Min Zeng and Feiyang Chen and Min Li and Jie Zhang},
journal= {arXiv preprint arXiv:2101.12547},
year = {2021}
}