Dumpling GNN：混合图神经网络用于化学结构下的抗体-药物偶联物活性预测
生物大分子
2024-10-10 v1 人工智能
机器学习
神经与进化计算
摘要
抗体-药物偶联物 (ADC) 已成为针对性癌症治疗的有前景的类药物，但其细胞毒性载体的设计和优化仍具有挑战性。本研究引入 DumplingGNN，这是一种新型混合图神经网络架构，专为基于化学结构预测 ADC 载体活性而设计。通过整合消息传递神经网络 (MPNN)、图注意力网络 (GAT) 和 GraphSAGE 层， DumplingGNN 有效捕获多尺度分子特征，利用 2D 拓扑和 3D 结构信息。我们在聚焦于 DNA 扭转酶 I 抑制剂的全面 ADC 载体数据集上评估 DumplingGNN，并在多个来自 MoleculeNet 的公开基准测试上进行测试。 DumplingGNN 在多个数据集上实现了最先进的性能，包括 BBBP (96.4% ROC-AUC)、ToxCast (78.2% ROC-AUC) 和 PCBA (88.87% ROC-AUC)。在我们的专用 ADC 载体数据集上，它展示了卓越的准确率 (91.48%)、灵敏度 (95.08%) 和特异度 (97.54%)。消融研究确认了混合架构的协同作用以及 3D 结构信息在提升预测准确性中的关键作用。该模型的强可解释性得益于注意力机制，提供了有价值的结构-活性关系见解。 DumplingGNN 代表了分子属性预测的重大进步，特别适用于加速针对性癌症治疗开发中 ADC 载体的设计和优化。
引用
@article{arxiv.2410.05278,
title = {Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure},
author = {Shengjie Xu and Lingxi Xie},
journal= {arXiv preprint arXiv:2410.05278},
year = {2024}
}