Efficace et précise, l’équipe de l’Université de Zhengzhou développe un nouvel outil d’IA pour identifier les interactions médicament-cible

Éditeur | Dry Leaf Butterfly

L'identification précise des interactions médicament-cible (DTI) est l'une des étapes clés du processus de découverte et de repositionnement de médicaments.

Actuellement, de nombreux modèles informatiques ont été proposés pour prédire le DTI, et des progrès significatifs ont été réalisés.

Cependant, ces méthodes se concentrent rarement sur la façon de fusionner de manière appropriée des réseaux de similarité multi-vues liés aux médicaments et aux cibles. De plus, la manière d’intégrer pleinement les relations d’interaction connues pour représenter avec précision les médicaments et les cibles n’a pas été bien étudiée. Par conséquent, l’amélioration de la précision des modèles de prédiction DTI reste nécessaire.

Dans les dernières recherches, des équipes de l'Université de Zhengzhou et de l'Université des sciences et technologies électroniques de Chine ont proposé une nouvelle méthode, MIDTI. Cette méthode adopte une stratégie de fusion de réseaux de similarité multi-vues et un mécanisme d’attention interactif profond pour prédire les interactions médicament-cible.

Les résultats montrent que MIDTI fonctionne nettement mieux que les autres méthodes de base sur la tâche de prédiction DTI. Les résultats de l'expérience d'ablation ont également confirmé l'efficacité du mécanisme d'attention et du mécanisme d'attention interactive profonde dans la stratégie de fusion de réseaux de similarité multi-vues.

L'étude s'intitule « Prédictions d'interaction médicament-cible avec une stratégie de fusion de réseaux de similarité multi-vues et un mécanisme d'attention interactif profond » et a été publiée dans « Bioinformatics » le 6 juin 2024. La prédiction des interactions médicament-cible (DTI) occupe une place centrale dans le processus de développement et de réutilisation de nouveaux médicaments. Les méthodes traditionnelles d'expérimentation humide sont coûteuses et prennent du temps, ce qui incite les chercheurs à se tourner vers des méthodes de dépistage de médicaments assistées par ordinateur. . Accélérez le processus.

Les méthodes informatiques de prédiction du DTI

sont principalement divisées en :

Méthodes basées sur la structure : S'appuient sur des molécules médicamenteuses, des structures cibles et des sites de liaison, mais sont limitées par les informations structurelles de certaines cibles telles que le manque de protéines membranaires. de.

Méthode basée sur les ligands :

Construisez un modèle basé sur de petites molécules actives connues, mais cela ne fonctionne pas bien lorsque le nombre de ligands de liaison à la cible est limité.

1. Méthode basée sur l'apprentissage automatique : Prédire le DTI potentiel en extrayant la structure chimique du médicament et les caractéristiques de la séquence du gène cible pour la classification binaire.
2. Limitations des méthodes d'apprentissage automatique
3. Les méthodes actuelles n'apprennent que des représentations basées sur la structure du médicament et se ciblent lui-même, ignorant l'interaction entre les paires DTI.

Construction de réseau hétérogène

La relation entre les entités biologiques contient de riches informations sémantiques. La construction d'un réseau qui intègre des informations hétérogènes aide le système à comprendre le DTI.

Méthode MIDTI

L'équipe de l'Université de Zhengzhou a proposé MIDTI, une nouvelle méthode de prédiction du DTI, basée sur :

Stratégie de fusion de réseaux de similarité multi-vues

Mécanisme d'attention interactif profond

MIDTI dans son ensemble

• Illustration : Le cadre général du MIDTI (Source : article)

  Étapes :

Construire un réseau de similarité :

MIDTI construit un réseau de similarité de médicaments basé sur les informations sur les associations de médicaments et adopte une stratégie de fusion Obtenez un réseau intégré de similarité de médicaments ; construisez de la même manière un réseau intégré de similarité de cibles.

Apprentissage des intégrations :

MIDTI adopte GCN pour apprendre les intégrations de médicaments et de cibles à partir de réseaux intégrés de similarité de médicaments, de réseaux de similarité de cibles intégrés, de réseaux bipartites de cibles de médicaments et de réseaux hétérogènes de cibles de médicaments.

1. Intégration discriminante : MIDTI utilise un mécanisme d'attention interactif pour apprendre des intégrations discriminantes basées sur des relations DTI connues.
2. Prédire le DTI : Les représentations apprises de la paire médicament-cible sont introduites dans le MLP pour prédire le DTI.
3. Illustration : Quatre étapes d'une stratégie de fusion de réseaux de similarité de médicaments multi-perspectives. (Source : article)
4. Pour évaluer les performances du MIDTI, les chercheurs ont utilisé diverses mesures d'évaluation, notamment la précision (ACC), l'aire sous la courbe (AUC), l'aire sous la courbe précision-rappel (AUPR), le score F1. et coefficient de corrélation de Matthews (MCC). Les chercheurs ont comparé MIDTI à dix autres méthodes concurrentes, notamment les forêts aléatoires, les réseaux convolutifs de graphes, les réseaux d'attention de graphes, MMGCN, GraphCDA et DTINet, entre autres.

   MIDTI a obtenu des scores de 0,9340, 0,9787 et 0,9701 sur les mesures ACC, AUC et AUPR, respectivement, soit 2,55 %, 2,31 % et 2,30 % supérieurs aux scores les plus élevés de MMGCN et GraphCDA. Cela indique que MIDTI est l’une des méthodes les plus compétitives pour prédire les interactions médicament-cible. Dans des expériences avec différents ratios d’échantillons positifs et négatifs, MIDTI a également montré d’excellentes performances.

   

   Illustration : Visualisation des intégrations de cibles médicamenteuses apprises par MIDTI à différents moments. (Source : article)

   L'étude montre également les résultats de visualisation des intégrations médicament-cible apprises par MIDTI, en utilisant l'outil t-SNE pour cartographier les intégrations dans un espace bidimensionnel. À mesure que le nombre de cycles de formation augmente, les exemples positifs et les exemples négatifs sont progressivement distingués, ce qui prouve que les plongements appris par MIDTI ont une bonne discriminabilité et interprétabilité, améliorant ainsi la précision des prédictions du DTI.

   La principale contribution de MIDTI est la suivante :

   1. Il propose une nouvelle stratégie de fusion de réseaux similaires multi-vues qui peut intégrer différents réseaux similaires de manière non supervisée.
   2. Utilisant un mécanisme d'attention interactif profond, basé sur les informations DTI connues, apprend de manière discriminante ; représentations de médicaments et de cibles 
   3. Un grand nombre d'expériences prouvent que MIDTI surpasse les autres méthodes avancées dans les tâches de prédiction DTI.

   En bref, MIDTI est une méthode de prédiction des interactions médicament-cible efficace et précise. Son innovation réside dans l'utilisation d'informations multi-vues et de mécanismes d'attention profonde pour améliorer les capacités de prédiction.

   Les chercheurs ont déclaré que les prochains travaux seront menés dans les deux aspects suivants. Premièrement, l’apprentissage intégré est effectué à l’aide d’autres sources de données pertinentes sur les médicaments et les cibles. Deuxièmement, MIDTI peut être appliqué à d’autres problèmes de prédiction de liens, tels que la prédiction d’association miARN-maladie.

   Rapports associés : https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!