TIDAL：基于拓扑推断的药物成瘾学习
生物大分子
2022-12-06 v1
摘要
药物成瘾或药物过量是一场全球公共卫生危机，由于机制复杂，抗成瘾药物的设计仍是一项重大挑战。由于实验性药物筛选与优化过于耗时且昂贵，迫切需要通过创新的人工智能（AI）方法应对该挑战。我们通过整合拓扑拉普拉斯算子、深度双向Transformer与集成辅助神经网络（EANNs）构建的拓扑推断药物成瘾学习（TIDAL）来解决这一挑战。拓扑拉普拉斯算子是一种新颖的代数拓扑工具，它分别将分子拓扑不变量与代数不变量嵌入其调和谱与非调和谱中。这些不变量补充了从双向Transformer提取的序列信息。我们在22个药物成瘾相关、4个hERG和12个DAT数据集上验证了所提出的TIDAL框架，表明TIDAL是用于药物成瘾数据建模与分析的当前最优（SOTA）框架。我们对现有药物成瘾候选物进行跨靶点分析，以警示其副作用并识别其重定位潜力，揭示了药物介导的线性与双线性靶点关联。最后，应用TIDAL阐明12种现有抗成瘾药物的相对疗效、重定位潜力与潜在副作用。我们的结果表明，TIDAL为迫切需要的抗物质成瘾药物开发提供了一种新的计算策略。
引用
@article{arxiv.2212.01497,
title = {TIDAL: Topology-Inferred Drug Addiction Learning},
author = {Zhu Zailiang and Dou Bozheng and Cao Yukang and Jiang Jian and Zhu Yueying and Chen Dong and Feng Hongsong and Liu Jie and Zhang Bengong and Zhou Tianshou and Wei Guowei},
journal= {arXiv preprint arXiv:2212.01497},
year = {2022}
}