HiGraphDTI：用于药物-靶标相互作用预测的层次图表示学习
机器学习
2024-04-17 v1 定量方法
机器学习
摘要
药物-靶标相互作用（DTI）的发现在新药研发中至关重要。深度学习模型由于能够从药物和靶标的化学结构中提取鲁棒且富有表现力的特征，在DTI预测中取得了更准确的结果。然而，现有的深度学习方法通常通过聚合分子原子表示来生成药物特征，忽略了基序（即分子图的子结构）所携带的化学性质。原子-药物双层分子表示学习无法充分利用结构信息，也无法从基序角度解释DTI机制。此外，基于序列模型的靶标特征提取要么融合有限的上下文信息，要么需要昂贵的计算资源。为了解决上述问题，我们提出了一种基于层次图表示学习的DTI预测方法（HiGraphDTI）。具体来说，HiGraphDTI从三级分子图中学习层次化的药物表示，以充分挖掘嵌入在原子、基序和分子中的化学信息。然后，一个注意力特征融合模块整合来自不同感受野的信息，以提取富有表现力的靶标特征。最后，层次注意力机制识别关键分子片段，为解释相互作用机制提供互补视角。实验结果不仅证明了HiGraphDTI相对于最先进方法的优越性，还证实了我们的模型在相互作用解释和新DTI发现方面的实际能力。
引用
@article{arxiv.2404.10561,
title = {HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction},
author = {Bin Liu and Siqi Wu and Jin Wang and Xin Deng and Ao Zhou},
journal= {arXiv preprint arXiv:2404.10561},
year = {2024}
}