鄭州大学チームが効率的かつ正確に薬物標的相互作用を特定する新しい AI ツールを開発

Editor | Dry Leaf Butterfly

薬物標的相互作用 (DTI) の正確な同定は、創薬および薬物再配置プロセスにおける重要なステップの 1 つです。

現在、DTI を予測するために多くの計算ベースのモデルが提案されており、いくつかの重要な進歩が達成されています。

しかし、これらの手法は、薬物とターゲットに関連するマルチビューの類似性ネットワークを適切な方法で融合する方法に焦点を当てていることはほとんどありません。さらに、既知の相互作用関係を完全に組み込んで薬物と標的を正確に表現する方法は十分に研究されていません。したがって、DTI 予測モデルの精度を向上させることが依然として必要です。

最新の研究で、中国の鄭州大学と電子科学技術大学のチームが新しい手法、MIDTIを提案しました。この方法では、マルチビュー類似性ネットワーク融合戦略と深いインタラクティブな注意メカニズムを採用して、薬物と標的の相互作用を予測します。

結果は、MIDTI が DTI 予測タスクにおいて他のベースライン手法よりも大幅に優れたパフォーマンスを示していることを示しています。アブレーション実験の結果は、多視点類似性ネットワーク融合戦略における注意メカニズムと深いインタラクティブな注意メカニズムの有効性も確認しました。

この研究は「マルチビュー類似性ネットワーク融合戦略と深いインタラクティブな注意メカニズムによる薬物と標的の相互作用予測」と題され、2024年6月6日に「バイオインフォマティクス」に掲載されました。

薬物標的相互作用 (DTI) 予測

は、新薬の開発と再利用のプロセスにおいて中核的な位置を占めており、従来の湿式実験法はコストと時間がかかるため、研究者はコンピューター支援による薬物スクリーニング法に目を向けるようになっています。プロセスをスピードアップします。

コンピューターによる DTI 予測方法

は、主に以下に分類されます:

1. 構造ベースの方法: 薬物分子、標的構造および結合部位に依存しますが、膜タンパク質が欠如しているなど、特定の標的の構造情報によって制限されます。の。
2. リガンドベースの方法: 既知の活性小分子に基づいてモデルを構築しますが、ターゲットに結合するリガンドの数が限られている場合はうまく機能しません。
3. 機械学習ベースの方法: 二値分類のために薬物の化学構造と標的遺伝子配列の特徴を抽出することにより、潜在的な DTI を予測します。

機械学習手法の限界

現在の手法は、薬物とターゲット自体の構造に基づいて表現のみを学習し、DTI ペア間の相互作用を無視します。

異種ネットワークの構築

生物学的実体間の関係には、異種情報を統合するネットワークの構築が DTI を理解するのに役立ちます。

MIDTI手法

鄭州大学チームは、以下に基づいてDTIを予測する新しい手法であるMIDTIを提案しました:

• マルチビュー類似性ネットワーク融合戦略
• 深いインタラクティブな注意メカニズム

  

  MIDTI全体のフレームワーク

図: MIDTI の全体的な枠組み (出典: 論文)

ステップ:

1. 類似性ネットワークの構築: MIDTI は、医薬品協会の情報に基づいて医薬品類似性ネットワークを構築し、融合戦略を採用します統合された薬物類似性ネットワークを取得し、同様に統合されたターゲット類似性ネットワークを構築します。
2. エンベディングの学習: MIDTI は、統合薬物類似性ネットワーク、統合ターゲット類似性ネットワーク、薬物ターゲット二部ネットワーク、薬物ターゲット異種ネットワークから薬物とターゲットの埋め込みを学習するために GCN を採用しています。
3. 識別埋め込み: MIDTI は、インタラクティブな注意メカニズムを利用して、既知の DTI 関係に基づいて識別埋め込みを学習します。
4. DTI を予測する: 学習された薬物と標的のペアの表現は、DTI を予測するために MLP に供給されます。

   

   図: 多視点の薬物類似性ネットワーク融合戦略の 4 つのステップ。 (出典: 論文)

MIDTI のパフォーマンスを評価するために、研究者は、精度 (ACC)、曲線下面積 (AUC)、適合率-再現率曲線下面積 (AUPR)、F1 スコアなどのさまざまな評価指標を使用しました。マシューズ相関係数 (MCC)。研究者らは、MIDTI を、ランダム フォレスト、グラフ畳み込みネットワーク、グラフ アテンション ネットワーク、MMGCN、GraphCDA、DTINet など、他の 10 の競合手法と比較しました。

MIDTI は、ACC、AUC、AUPR 指標でそれぞれ 0.9340、0.9787、0.9701 のスコアを達成しました。これは、MMGCN と GraphCDA の最高スコアより 2.55%、2.31%、2.30% 高い値です。これは、MIDTI が薬物標的相互作用の予測において最も競争力のある方法の 1 つであることを示しています。異なる正と負のサンプル比を使用した実験でも、MIDTI は優れたパフォーマンスを示しました。

図: MIDTI によって学習されたさまざまな時点の薬物ターゲットの埋め込みを視覚化します。 (出典: 論文)

この研究では、t-SNE ツールを使用して埋め込みを 2 次元空間にマッピングした、MIDTI によって学習された薬物ターゲットの埋め込みの視覚化結果も示されています。トレーニングラウンドの数が増加するにつれて、正の例と負の例が徐々に区別されます。これは、MIDTI によって学習されたエンベディングが優れた識別性と解釈性を備えていることを証明し、それによって DTI 予測の精度が向上します。

MIDTI の主な貢献は次のとおりです:

1. 異なる類似ネットワークを教師なしで統合できる、新しいマルチビュー類似ネットワーク融合戦略を提案します
2. 既知の DTI 情報に基づいて、識別を学習する深いインタラクティブなアテンション メカニズムを使用します。薬物とターゲットの表現
3. 多数の実験により、MIDTI が DTI 予測タスクにおいて他の高度な手法よりも優れていることが証明されています。

つまり、MIDTI は効率的かつ正確な薬物と標的の相互作用予測方法であり、その革新性は、予測機能を強化するためのマルチビュー情報とディープ アテンション メカニズムの使用にあります。

研究者らは、次の研究は次の 2 つの側面で行われるだろうと述べています。まず、薬剤とターゲットの他の関連データ ソースを使用して埋め込み学習が実行されます。第 2 に、MIDTI は、miRNA と疾患の関連予測など、他の関連予測問題にも適用できます。

関連レポート: https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335

以上が鄭州大学チームが効率的かつ正確に薬物標的相互作用を特定する新しい AI ツールを開発の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。