基于分子间图Transformer的药物-靶标相互作用预测改进
机器学习
2021-10-18 v2 定量方法
摘要
识别靶蛋白的活性结合药物（即药物-靶标相互作用预测）是虚拟筛选中的关键挑战，在药物发现中起着至关重要的作用。尽管近期基于深度学习的方法取得了优于分子对接的性能，但现有模型往往忽略了分子间信息的某些方面，从而阻碍了预测性能。我们认识到这一问题，并提出了一种名为分子间图Transformer（Intermolecular Graph Transformer, IGT）的新方法，该方法采用专用的注意力机制，通过一种三路Transformer架构来建模分子间信息。IGT在结合活性和结合姿态预测方面分别比第二名最优方法高出9.1%和20.5%，并对未见过的受体蛋白展现出优越的泛化能力。此外，IGT通过识别83.1%的经湿实验验证的活性药物并预测出接近天然的绑定姿态，展示了对SARS-CoV-2良好的药物筛选能力。
引用
@article{arxiv.2110.07347,
title = {Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer},
author = {Siyuan Liu and Yusong Wang and Tong Wang and Yifan Deng and Liang He and Bin Shao and Jian Yin and Nanning Zheng and Tie-Yan Liu},
journal= {arXiv preprint arXiv:2110.07347},
year = {2021}
}