MOTIVE：用于归纳式链接预测的药物-靶标相互作用图
机器学习
2024-10-24 v2
摘要
药物-靶标相互作用（DTI）预测对于识别新疗法和检测作用机制至关重要。虽然基于结构的方法能准确模拟药物与其蛋白质靶标之间的物理相互作用，但基于细胞的检测（如 Cell Painting）能更好地捕获复杂的 DTI 相互作用。本文介绍了 MOTIVE，一个形态学化合物-靶标相互作用图数据集，包含 11,000 个基因和 3,600 个化合物的 Cell Painting 特征，以及从七个公开数据库中提取的它们之间的关系。我们提供了随机、冷源（新药物）和冷靶标（新基因）数据划分，以便在现实用例下进行严格评估。我们的基准测试结果表明，使用 Cell Painting 特征的图神经网络在性能上始终优于仅从图结构学习的模型、基于特征的模型和拓扑启发式方法。MOTIVE 通过促进更可靠的 DTI 预测模型的开发，加速了图机器学习研究和药物发现。MOTIVE 资源可在 https://github.com/carpenter-singh-lab/motive 获取。
引用
@article{arxiv.2406.08649,
title = {MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction},
author = {John Arevalo and Ellen Su and Anne E Carpenter and Shantanu Singh},
journal= {arXiv preprint arXiv:2406.08649},
year = {2024}
}