DeepSIBA：基于化学结构的生物变化推断
定量方法
2020-04-03 v1 机器学习
机器学习
摘要
预测某一化学结构是否具有期望的生物学效应，对于早期药物发现中的计算机辅助化合物筛选具有重要意义。在本研究中，我们开发了一种深度学习模型，将化合物结构表示为图，并将其与生物足迹相关联。为使这一复杂问题在计算上可解，利用连体图卷积神经网络（Siamese Graph Convolutional Neural Networks）将化合物差异映射到生物效应变化。所提出的模型能够从化学结构中学习新的表示，并以高精度识别影响相似生物过程但结构不相似的化合物。此外，通过利用深度集成估计不确定性，我们能够对与训练所用化合物差异很大的化学结构提供可靠且准确的预测。最后，我们提出了一种新颖的推断方法，利用训练好的模型，仅以化学结构为输入，估计特定细胞系中化合物扰动所影响的信号通路。作为一个应用案例，该方法被用于推断FDA批准的抗癌药物所影响的信号通路。
引用
@article{arxiv.2004.01028,
title = {DeepSIBA: Chemical Structure-based Inference of Biological Alterations},
author = {C. Fotis and N. Meimetis and A. Sardis and L. G. Alexopoulos},
journal= {arXiv preprint arXiv:2004.01028},
year = {2020}
}
备注
Article: 19 pages, Electronic Supplementary Information (included): 16 pages