E2CB2former：用于CB2受体配体活性预测的高效可解释Transformer
机器学习
2025-02-19 v1 人工智能
定量方法
摘要
精准预测CB2受体配体活性对于发展针对该受体的药物发现至关重要，而该受体与炎症、疼痛管理和神经退行性疾病相关。尽管传统机器学习和深度学习技术显示出前景，但其可解释性有限，仍是理性药物设计的重要障碍。本文引入CB2former，一种结合图卷积网络与Transformer架构的框架，用于预测CB2受体配体活性。通过利用Transformer的自注意力机制以及GCN的结构学习能力，CB2former不仅提升了预测性能，还为理解受体活性背后分子特征提供了洞见。我们将CB2former与多样基线模型进行基准测试，包括随机森林、支持向量机、K近邻、梯度提升、极端梯度提升、多层感知机、卷积神经网络和循环神经网络，证明其性能优异，R平方为0.685，RMSE为0.675，AUC为0.940。此外，注意力权重分析揭示了影响CB2受体活性的关键分子亚结构，凸显了该模型作为可解释AI工具在药物发现中的潜力。这种指向关键分子构型的能力可以加速虚拟筛选、引导前驱物优化，并加快治疗开发进程。总体而言，我们的结果展示了以CB2former为代表的先进AI方法在提供精准预测和可操作分子洞察方面的变革性潜力，从而促进药物发现领域的跨学科合作与创新。
关键词
引用
@article{arxiv.2502.12186,
title = {E2CB2former: Effecitve and Explainable Transformer for CB2 Receptor Ligand Activity Prediction},
author = {Jiacheng Xie and Yingrui Ji and Linghuan Zeng and Xi Xiao and Gaofei Chen and Lijing Zhu and Joyanta Jyoti Mondal and Jiansheng Chen},
journal= {arXiv preprint arXiv:2502.12186},
year = {2025}
}