GEFA:药物-靶点亲和力预测中的早期融合方法
机器学习
2020-09-29 v2 机器学习
摘要
预测化合物与靶点之间的相互作用对于快速药物重定位至关重要。深度学习已成功应用于药物-靶点亲和力(DTA)问题。然而,先前基于深度学习的方法忽略了药物与蛋白质残基之间直接相互作用的建模。这将导致对靶点表征的不准确学习,而该表征可能因药物结合效应而改变。此外,先前的DTA方法仅基于DTA数据集中少量蛋白质序列学习蛋白质表征,而忽视了使用DTA数据集之外的蛋白质。我们提出GEFA(Graph Early Fusion Affinity,图早期融合亲和力),一种带有注意力机制的图嵌套图神经网络,以解决因结合效应引起的靶点表征变化。具体而言,药物被建模为原子的图,然后作为残基-药物复合体更大图中的节点。所得模型是一种具有表现力的深度嵌套图神经网络。我们还使用了由近期上下文蛋白质表征学习工作提供的预训练蛋白质表征。实验在不同设置下进行,以评估诸如新药或新靶点等场景。结果证明了预训练蛋白质嵌入的有效性以及我们的GEFA在建模药物-靶点相互作用嵌套图方面的优势。
引用
@article{arxiv.2009.12146,
title = {GEFA: Early Fusion Approach in Drug-Target Affinity Prediction},
author = {Tri Minh Nguyen and Thin Nguyen and Thao Minh Le and Truyen Tran},
journal= {arXiv preprint arXiv:2009.12146},
year = {2020}
}