用于药物-靶点结合亲和力预测的层次图表示学习
机器学习
2022-03-23 v1 人工智能
生物大分子
摘要
药物-靶点结合亲和力（DTA）的识别因比二值相互作用预测具有更具体的解释性，在药物发现过程中受到越来越多的关注。近来，众多基于深度学习的计算方法凭借其令人满意的性能被提出以预测药物与靶点间的结合亲和力。然而，先前的工作主要聚焦于编码药物与靶点的生物学特征与化学结构，缺乏从药物-靶点亲和力网络中挖掘本质的拓扑信息。本文中，我们提出一种新颖的用于药物-靶点结合亲和力预测的层次图表示学习模型，即 HGRL-DTA。我们模型的主要贡献在于建立一种层次图学习架构，以融合药物/靶点分子的内在属性与药物-靶点对的拓扑亲和力。在该架构中，我们采用消息广播机制来整合从全局级亲和力图与局部级分子图学到的层次表示。此外，我们设计了一种基于相似度的嵌入映射，以解决推断未见药物与靶点表示的冷启动问题。不同场景下的综合实验结果表明，HGRL-DTA 显著优于 SOTA 模型，并在所有场景中展现出更好的模型泛化能力。
引用
@article{arxiv.2203.11458,
title = {Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity},
author = {Zhaoyang Chu and Shichao Liu and Wen Zhang},
journal= {arXiv preprint arXiv:2203.11458},
year = {2022}
}