GraphCL-DTA:融合分子语义的图对比学习用于药物-靶点结合亲和力预测
机器学习
2023-07-19 v1 信息检索
定量方法
摘要
药物-靶点结合亲和力预测在药物发现早期阶段具有重要作用,可推断新药与新靶点间相互作用的强度。然而,先前计算模型的性能受限于以下缺陷:药物表示的学习仅依赖监督数据,未考虑分子图本身所含信息;此外,多数先前研究倾向于设计复杂的表示学习模块,却忽略了用于衡量表示质量的均匀性(uniformity)。本研究提出 GraphCL-DTA,一种融合分子语义的图对比学习用于药物-靶点结合亲和力预测。在 GraphCL-DTA 中,我们为分子图设计图对比学习框架以学习药物表示,从而保留分子图的语义。通过该图对比框架,无需额外监督数据即可学习更本质且有效的药物表示。接着,我们设计一种新的损失函数,可直接用于平滑调整药物与靶点表示的均匀性。通过直接优化表示的均匀性,可提升药物与靶点的表示质量。上述创新要素的有效性在 KIBA 与 Davis 两个真实数据集上得到验证。GraphCL-DTA 在上述数据集上的优异性能表明其优于最先进(state-of-the-art)模型。
引用
@article{arxiv.2307.08989,
title = {GraphCL-DTA: a graph contrastive learning with molecular semantics for drug-target binding affinity prediction},
author = {Xinxing Yang and Genke Yang and Jian Chu},
journal= {arXiv preprint arXiv:2307.08989},
year = {2023}
}
备注
13 pages, 4 figures, 5 tables