PGraphDTA：利用蛋白质语言模型与接触图改进药物靶标相互作用预测
机器学习
2024-02-13 v3 定量方法
摘要
新药的开发与发现是一项复杂且资源密集的工作，常涉及巨额成本、时间投入与安全性问题。药物发现的一个关键方面是识别新的药物-靶标（DT）相互作用。现有的计算预测 DT 相互作用的方法主要关注二分类任务，旨在判定 DT 对是否相互作用。然而，蛋白质-配体相互作用表现出连续的结合强度，即结合亲和力，这对准确预测构成持续挑战。本研究调研了药物靶标相互作用（DTI）预测中采用的各种技术，并提出新颖的改进以提升其性能。我们的方法包括整合蛋白质语言模型（PLMs）以及将接触图（Contact Map）信息作为归纳偏置引入当前模型。通过大量实验，我们证明所提方法优于本研究中考虑的基线模型，为沿此方向进一步开发提供了有力依据。我们预期本工作获得的见解将显著缩小针对特定蛋白质的潜在药物搜索空间，从而加速药物发现。PGraphDTA 的代码与数据见 https://github.com/Yijia-Xiao/PgraphDTA/。
引用
@article{arxiv.2310.04017,
title = {PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps},
author = {Rakesh Bal and Yijia Xiao and Wei Wang},
journal= {arXiv preprint arXiv:2310.04017},
year = {2024}
}
备注
AI for Science Workshop, NeurIPS 2023. 11 pages, 5 figures, 4 tables