面向药物-靶点结合亲和力预测的 HGTDP-DTA：混合图-Transformer 架构与动态提示
机器学习
2024-06-26 v1 人工智能
计算机视觉与模式识别
摘要
药物靶点结合亲和力（DTA）是药物筛选的关键标准。现有实验方法耗时且依赖于有限的结构和领域信息。虽然基于学习的方法可以建模序列和结构信息，但难以整合情境数据，往往缺乏对药物-靶点相互作用的全面建模。本研究提出一种新颖的DTA预测方法，称为HGTDP-DTA，该方法在混合图-Transformer框架中利用动态提示。该方法为每个药物-靶点对生成情境特定的提示，增强了模型捕捉独特相互作用的能力。通过引入提示调谐进一步优化预测过程，通过过滤无关噪声并强调任务相关信息，动态调整分子图的输入特征。该方法的混合图-Transformer架构将来自图卷积网络（GCN）的结构信息与Transformer捕获的序列信息相结合，促进了全局信息与局部信息之间的相互作用。此外，我们采用多视图特征融合方法，将分子图视图和亲和性子图视图投影到常见特征空间，从而有效地组合结构信息和情境信息。在Davis和KIBA两个广泛使用的公开数据集上的实验表明，HGTDP-DTA在预测性能和泛化能力方面均优于最先进的DTA预测方法。
引用
@article{arxiv.2406.17697,
title = {HGTDP-DTA: Hybrid Graph-Transformer with Dynamic Prompt for Drug-Target Binding Affinity Prediction},
author = {Xi Xiao and Wentao Wang and Jiacheng Xie and Lijing Zhu and Gaofei Chen and Zhengji Li and Tianyang Wang and Min Xu},
journal= {arXiv preprint arXiv:2406.17697},
year = {2024}
}