ViDTA：通过虚拟图节点与注意力特征融合增强药物-靶点亲和力预测
机器学习
2024-12-30 v1 人工智能
生物大分子
摘要
药物-靶点相互作用是理解药物如何影响生物系统的基础,准确预测药物-靶点亲和力(DTA)对药物发现具有重要意义。最近,深度学习方法作为估计算荷与靶点蛋白结合强度的重要方法。然而,现有方法仅利用药物从分子拓扑结构中获得的局部信息,而未充分考虑全局信息。此外,药物和蛋白的特征通常通过简单拼接操作进行融合,限制了其效果。为此,我们提出了ViDTA框架。我们在基于图神经网络(GNN)的药物特征提取网络中引入虚拟节点,其作为全局记忆单元更高效地进行消息传递。通过引入虚拟图节点,我们无缝集成药物分子结构的局部与全局特征,扩展了GNN的感受野。此外,我们提出了基于注意力的线性特征融合网络,以更好地捕获药物与蛋白之间的相互作用信息。在Davis、Metz和KIBA等多个基准数据集上的实验结果表明,我们提出的ViDTA超越了当前最先进的基线方法。
引用
@article{arxiv.2412.19589,
title = {ViDTA: Enhanced Drug-Target Affinity Prediction via Virtual Graph Nodes and Attention-based Feature Fusion},
author = {Minghui Li and Zikang Guo and Yang Wu and Peijin Guo and Yao Shi and Shengshan Hu and Wei Wan and Shengqing Hu},
journal= {arXiv preprint arXiv:2412.19589},
year = {2024}
}
备注
Accepted by International Conference on Bioinformatics and Biomedicine (BIBM 24)