基于深度图卷积网络与LSTM的药物-靶点结合亲和力预测方法
机器学习
2022-01-19 v1 定量方法
摘要
新药的开发是一个昂贵且耗时的过程。由于全球SARS-CoV-2的爆发，尽快开发针对SARS-CoV-2的新药至关重要。药物重定位技术可通过探查现有FDA批准药物及其性质列表，将其重新用于对抗新疾病，从而缩短新药开发所需时间。我们提出了一种新颖的架构DeepGLSTM，这是一种基于图卷积网络(Graph Convolutional Network)和LSTM的方法，用于预测FDA批准药物与SARS-CoV-2病毒蛋白之间的结合亲和力值。我们提出的模型已在Davis、KIBA（激酶抑制剂生物活性）、DTC（药物靶点公共库）、Metz、ToxCast和STITCH数据集上训练。我们使用我们的新颖架构预测了2304种FDA批准药物对5种病毒蛋白的联合评分（由Davis和KIBA评分计算而得）。基于该联合评分，我们编制了针对SARS-CoV-2中5种病毒蛋白具有最高结合亲和力的前18种药物列表。随后，该列表可用于创制新的有效药物。
引用
@article{arxiv.2201.06872,
title = {Deep Graph Convolutional Network and LSTM based approach for predicting drug-target binding affinity},
author = {Shrimon Mukherjee and Madhusudan Ghosh and Partha Basuchowdhuri},
journal= {arXiv preprint arXiv:2201.06872},
year = {2022}
}
备注
Accepted for publication in the proceedings of SIAM Data Mining conference 2022 (SDM'22)