用于可解释药物-靶标相互作用预测的多视图自注意力方法
机器学习
2020-09-02 v2 机器学习
摘要
药物发现阶段是药物开发过程的关键环节，构成开发流程的初始阶段之一。近来，由于机器学习方法在其他领域的成功应用，基于机器学习的方法正被积极用于建模药物-靶标相互作用以进行理性药物发现。在机器学习方法中，分子的 numerical representation（数值表示）对模型性能至关重要。尽管分子表示工程已取得显著进展，但这导致了靶标与化合物各自存在多种描述符。此外，模型预测的可解释性是一项重要特征，具有若干药理学应用价值。本研究提出一种基于自注意力的多视图表示学习方法用于建模药物-靶标相互作用。我们使用三个基准激酶数据集评估了该方法，并将所提方法与若干基线模型比较。实验结果表明，我们的方法能够获得具有竞争力的预测性能，并提供生物学上合理的药物-靶标相互作用解释。
引用
@article{arxiv.2005.00397,
title = {Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction},
author = {Brighter Agyemang and Wei-Ping Wu and Michael Yelpengne Kpiebaareh and Zhihua Lei and Ebenezer Nanor and Lei Chen},
journal= {arXiv preprint arXiv:2005.00397},
year = {2020}
}