具有域适应的可解释双线性注意力网络改进药物-靶点预测
机器学习
2023-01-23 v2 生物大分子
摘要
预测药物-靶点相互作用是药物发现的关键。近期基于深度学习的方法展现出有前景的性能,但两个挑战仍然存在:(i) 如何显式建模并学习药物与靶点之间的局部相互作用以获得更好的预测与解释;(ii) 如何对来自不同分布的新型药物-靶点对在预测性能上实现泛化。在这项工作中,我们提出 DrugBAN,一种具有域适应的深度双线性注意力网络(BAN)框架,用于显式学习药物与靶点之间的成对局部相互作用,并适应分布外数据。DrugBAN 在药物分子图与靶点蛋白序列上工作以执行预测,通过条件域对抗学习对齐跨不同分布学到的相互作用表示,从而对新型药物-靶点对实现更好的泛化。在三个基准数据集上、于域内与跨域设定下的实验表明,DrugBAN 相较于五个最先进(state-of-the-art, SOTA)基线取得了最佳总体性能。此外,可视化学到的双线性注意力图从预测结果中提供了可解释的见解。
引用
@article{arxiv.2208.02194,
title = {Interpretable bilinear attention network with domain adaptation improves drug-target prediction},
author = {Peizhen Bai and Filip Miljković and Bino John and Haiping Lu},
journal= {arXiv preprint arXiv:2208.02194},
year = {2023}
}
备注
19 pages, 7 figures