PDCNet：肽-药物偶联物活性预测的基准与通用深度学习框架
机器学习
2025-06-17 v1 生物大分子
摘要
肽-药物偶联物（PDCs）代表了一种治疗人类疾病的有前景途径，特别是在癌症治疗中。系统阐明结构-活性关系（SARs）以及准确预测PDCs的活性对于这些偶联物的理性设计和优化至关重要。为此，我们精心设计并构建了一个PDCs基准数据集，该数据集整合了文献来源的集合和PDCdb数据库，然后开发了PDCNet——首个用于预测PDCs活性的统一深度学习框架。该架构通过一个多层次特征融合框架系统地捕获PDCs在真实场景中抗癌决策背后的复杂因素，协同表征和学习肽、连接子和药效团的特征。利用精心策划的PDCs基准数据集，全面的评估结果表明PDCNet展示了卓越的预测能力，在测试集上取得了最高的AUC、F1、MCC和BA分数，分别为0.9213、0.7656、0.7071和0.8388，超越了八种已建立的传统机器学习模型。多层次验证，包括五折交叉验证、阈值测试、消融研究、模型可解释性分析和外部独立测试，进一步证实了PDCNet架构的优越性、鲁棒性和可用性。我们预期PDCNet代表了一个新范式，整合了基准数据集和先进模型，可以加速基于PDC的新治疗药物的设计和发现。
引用
@article{arxiv.2506.12821,
title = {PDCNet: a benchmark and general deep learning framework for activity prediction of peptide-drug conjugates},
author = {Yun Liu and Jintu Huang and Yingying Zhu and Congrui Wen and Yu Pang and Ji-Quan Zhang and Ling Wang},
journal= {arXiv preprint arXiv:2506.12821},
year = {2025}
}