解锁潜在结合剂：多模态预训练DEL-Fusion用于DNA编码图书馆去噪
定量方法
2024-09-11 v1 人工智能
机器学习
生物大分子
摘要
在药物发现领域，DNA编码图书馆(DEL)筛选技术已成为高亲和力化合物的有效方法。然而，DEL筛选面临着来自复杂生物系统中非特异性相互作用导致的噪声的重大挑战。已针对DEL图书馆训练的神经网络被用于提取化合物特征，以去噪数据并揭示针对所需治疗靶点的潜在结合剂。然而，DEL的固有结构受限于建造块的有限多样性，影响了化合物编码器的性能。此外，现有方法仅在单个层次上捕获化合物特征，进一步限制了去噪策略的有效性。为缓解这些问题，我们提出了一种多模态预训练DEL-Fusion模型(MPDF)，通过预训练增强编码器能力，并整合跨不同尺度的化合物特征。我们开发了预训练任务，应用对比目标在不同化合物表征及其文本描述之间，增强化合物编码器获取通用特征的能力。此外，我们提出一种新颖的DEL-fusion框架，将由各种化合物编码器捕获的化合物信息在原子、亚分子和分子水平融合。这些创新性措施的协同作用为MPDF提供了丰富的多尺度特征，使其能够进行全面的下游去噪。在三个DEL数据集上评估显示，MPDF在数据处理和验证任务方面表现出色。值得注意的是，MPDF为识别高亲和力分子提供了新见解，为改善药物发现中DEL的实用性铺平了道路。
引用
@article{arxiv.2409.05916,
title = {Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries},
author = {Chunbin Gu and Mutian He and Hanqun Cao and Guangyong Chen and Chang-yu Hsieh and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2409.05916},
year = {2024}
}