PGCLODA：用于寡肽-传染病关联预测的提示引导图对比学习
机器学习
2025-09-25 v1 人工智能
定量方法
摘要
传染病继续对公共健康构成严重威胁，凸显了有效计算方法来筛选新型抗感染药物的紧迫需求。寡肽因其结构简洁、生物利用度高且不易产生耐药性，在抗菌研究中已成为有前景的候选物。尽管其潜力巨大，但专门用于预测寡肽与传染病之间关联的计算模型仍然稀缺。本研究提出了一种提示引导的图对比学习框架（PGCLODA），以揭示潜在关联。构建了一个三元图，以寡肽、微生物和疾病为节点，融合了结构和语义信息。为在对比学习中保留关键区域，采用了提示引导的图增强策略来生成有意义的配对视图。使用了双编码器架构，整合图卷积网络（GCN）和 Transformer，以联合捕获局部和全局特征。融合后的嵌入随后输入多层感知机（MLP）分类器进行最终预测。在基准数据集上的实验结果表明，PGCLODA 在 AUROC、AUPRC 和准确率方面持续优于最先进模型。消融和超参数研究证实了每个模块的贡献。案例研究进一步验证了 PGCLODA 的泛化能力及其揭示新型生物学相关关联的潜力。这些发现为机制驱动的发现和基于寡肽的药物开发提供了有价值的见解。PGCLODA 的源代码可在 https://github.com/jjnlcode/PGCLODA 上获取。
引用
@article{arxiv.2509.20290,
title = {PGCLODA: Prompt-Guided Graph Contrastive Learning for Oligopeptide-Infectious Disease Association Prediction},
author = {Dayu Tan and Jing Chen and Xiaoping Zhou and Yansen Su and Chunhou Zheng},
journal= {arXiv preprint arXiv:2509.20290},
year = {2025}
}
备注
12page and 8 figures