ResDTA：利用残差跳跃连接预测药物-靶标结合亲和力
机器学习
2023-03-22 v1 定量方法
摘要
发现新的药物-靶标（DT）相互作用是药物开发过程中的重要一步。大多数用于预测DT相互作用的计算技术都聚焦于二分类，旨在判断一个DT对是否相互作用。而蛋白质-配体相互作用假定存在连续的结合强度值，也称为结合亲和力，预测该值仍然是一个难题。随着DT知识库中亲和力数据的增长，诸如深度学习架构等先进学习技术可用于预测结合亲和力。本文提出一种基于深度学习的方法，仅利用靶标与药物的序列信息来预测DT结合亲和力。结果表明，所提出的基于深度学习的模型使用靶标和药物的一维表示，是药物-靶标结合亲和力预测的有效方法，且无需额外的化学领域知识即可工作。该模型通过CNN并使用残差跳跃连接构建药物与靶标的高层表示，同时辅以额外流来创建药物-靶标对的高层组合表示，在最大的基准数据集之一中取得了最佳一致性指数（CI）性能，优于近期SOTA方法AttentionDTA以及许多其他使用靶标和药物一维表示的基于机器学习和深度学习的DT结合亲和力预测基线方法。
引用
@article{arxiv.2303.11434,
title = {ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip Connections},
author = {Partho Ghosh and Md. Aynal Haque},
journal= {arXiv preprint arXiv:2303.11434},
year = {2023}
}
备注
40 pages, 10 figures, 2 tables. arXiv admin note: substantial text overlap with arXiv:1801.10193, arXiv:1902.04166 by other authors