Cekap dan tepat, pasukan Universiti Zhengzhou membangunkan alat AI baharu untuk mengenal pasti interaksi sasaran dadah

.

Pada masa ini, banyak model berasaskan pengiraan telah dicadangkan untuk meramalkan DTI, dan beberapa kemajuan ketara telah dicapai.

Walau bagaimanapun, kaedah ini jarang memberi tumpuan kepada cara menggabungkan rangkaian persamaan berbilang paparan yang berkaitan dengan dadah dan sasaran dengan cara yang sesuai. Tambahan pula, cara untuk menggabungkan sepenuhnya hubungan interaksi yang diketahui untuk mewakili ubat dan sasaran dengan tepat belum dikaji dengan baik. Oleh itu, peningkatan ketepatan model ramalan DTI masih perlu.

Dalam penyelidikan terkini, pasukan dari Universiti Zhengzhou dan Universiti Sains dan Teknologi Elektronik China mencadangkan kaedah baharu, MIDTI. Kaedah ini menggunakan strategi gabungan rangkaian persamaan pelbagai pandangan dan mekanisme perhatian interaktif yang mendalam untuk meramalkan interaksi sasaran dadah.

Hasilnya menunjukkan bahawa MIDTI menunjukkan prestasi yang lebih baik daripada kaedah asas lain pada tugas ramalan DTI. Keputusan eksperimen ablasi juga mengesahkan keberkesanan mekanisme perhatian dan mekanisme perhatian interaktif mendalam dalam strategi gabungan rangkaian persamaan pelbagai pandangan.

Kajian ini bertajuk "Ramalan interaksi sasaran dadah dengan strategi gabungan rangkaian persamaan pelbagai pandangan dan mekanisme perhatian interaktif mendalam" dan diterbitkan dalam "Bioinformatik" pada 6 Jun 2024.

Ramalan interaksi sasaran dadah (DTI)

menempati kedudukan teras dalam proses pembangunan dan penggunaan semula ubat baru Kaedah eksperimen basah tradisional adalah mahal dan memakan masa, mendorong penyelidik beralih kepada kaedah saringan dadah yang dibantu secara pengiraan. . percepatkan proses.

Kaedah ramalan DTI Pengiraan

terutamanya terbahagi kepada:

Kaedah berasaskan struktur:

Bergantung pada molekul dadah dan struktur sasaran serta tapak pengikat, tetapi dihadkan oleh maklumat struktur kekurangan sasaran protein seperti membran tertentu. daripada.

Kaedah berasaskan ligan:

Bina model berdasarkan molekul kecil aktif yang diketahui, tetapi ia tidak berfungsi dengan baik apabila bilangan ligan pengikat sasaran adalah terhad.

1. Kaedah berasaskan pembelajaran mesin: Ramalkan potensi DTI dengan mengekstrak struktur kimia dadah dan ciri jujukan gen sasaran untuk klasifikasi binari.
2. Keterbatasan kaedah pembelajaran mesin
3. Kaedah semasa hanya mempelajari perwakilan berdasarkan struktur ubat dan sasaran itu sendiri, mengabaikan interaksi antara pasangan DTI.
Pembinaan rangkaian heterogen

Hubungan antara entiti biologi mengandungi maklumat semantik yang kaya Membina rangkaian yang mengintegrasikan maklumat heterogen membantu sistem memahami DTI.

Kaedah MIDTI

Pasukan Universiti Zhengzhou mencadangkan MIDTI, kaedah baharu untuk meramalkan DTI, berdasarkan:

Strategi gabungan rangkaian persamaan berbilang pandangan

Mekanisme perhatian interaktif yang mendalamID sebagai keseluruhan mekanisme perhatian interaktif

ID

• Ilustrasi: Rangka kerja keseluruhan MIDTI

  (Sumber: kertas)

  Langkah:

Membina rangkaian persamaan: membina rangkaian maklumat gabungan dadah dan MIDTI berasaskan Mendapatkan rangkaian persamaan dadah bersepadu sama membina rangkaian persamaan sasaran bersepadu.

Pembenaman pembelajaran: MIDTI mengguna pakai GCN untuk mempelajari pembenaman dadah dan sasaran daripada rangkaian persamaan dadah bersepadu, rangkaian persamaan sasaran bersepadu, rangkaian dwipartit sasaran dadah dan rangkaian heterogen sasaran dadah.

Pembenaman diskriminatif:
1. MIDTI menggunakan mekanisme perhatian interaktif untuk mempelajari pembenaman diskriminatif berdasarkan perhubungan DTI yang diketahui.
Ramalkan DTI:
2. Perwakilan pasangan sasaran dadah yang dipelajari dimasukkan ke dalam MLP untuk meramalkan DTI.
Ilustrasi: Empat langkah strategi gabungan rangkaian persamaan dadah pelbagai perspektif. (Sumber: kertas)
3. Untuk menilai prestasi MIDTI, penyelidik menggunakan pelbagai metrik penilaian, termasuk ketepatan (ACC), kawasan di bawah lengkung (AUC), kawasan di bawah keluk ingatan tepat (AUPR), skor F1 dan pekali korelasi Matthews (MCC). Para penyelidik membandingkan MIDTI dengan sepuluh kaedah bersaing lain, termasuk hutan rawak, rangkaian konvolusi graf, rangkaian perhatian graf, MMGCN, GraphCDA dan DTINet, antara lain.

MIDTI mencapai markah 0.9340, 0.9787 dan 0.9701 pada metrik ACC, AUC dan AUPR, masing-masing, iaitu 2.55%, 2.31% dan 2.30% lebih tinggi daripada skor tertinggi MMGCN dan GraphCDA. Ini menunjukkan bahawa MIDTI adalah salah satu kaedah yang paling kompetitif dalam meramalkan interaksi sasaran dadah. Dalam eksperimen dengan nisbah sampel positif dan negatif yang berbeza, MIDTI juga menunjukkan prestasi cemerlang.



Ilustrasi: Memvisualisasikan benam sasaran dadah yang dipelajari oleh MIDTI pada masa yang berbeza. (Sumber: kertas)

Kajian ini juga menunjukkan hasil visualisasi benam sasaran dadah yang dipelajari oleh MIDTI, menggunakan alat t-SNE untuk memetakan benam ke dalam ruang dua dimensi. Apabila bilangan pusingan latihan bertambah, contoh positif dan contoh negatif dibezakan secara beransur-ansur, yang membuktikan bahawa pembenaman yang dipelajari oleh MIDTI mempunyai kebolehdiskriminasian dan kebolehtafsiran yang baik, sekali gus meningkatkan ketepatan ramalan DTI.

Sumbangan teras MIDTI ialah:

1. Ia mencadangkan strategi gabungan rangkaian serupa berbilang pandangan baharu yang boleh menyepadukan rangkaian serupa yang berbeza dengan cara yang tidak diselia
2. Menggunakan mekanisme perhatian interaktif yang mendalam, berdasarkan maklumat DTI yang diketahui belajar diskriminatif; perwakilan ubat dan sasaran;
3. Sebilangan besar eksperimen telah membuktikan bahawa MIDTI lebih unggul daripada kaedah lanjutan lain dalam tugas ramalan DTI.

Ringkasnya, MIDTI ialah kaedah ramalan interaksi sasaran dadah yang cekap dan tepat Inovasinya terletak pada penggunaan maklumat berbilang paparan dan mekanisme perhatian yang mendalam untuk meningkatkan keupayaan ramalan.

Para penyelidik berkata bahawa kerja seterusnya akan dijalankan dalam dua aspek berikut. Pertama, pembelajaran membenamkan dilakukan menggunakan sumber data lain yang berkaitan ubat dan sasaran. Kedua, MIDTI boleh digunakan untuk masalah ramalan pautan lain, seperti ramalan persatuan penyakit miRNA.

Laporan berkaitan: https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335

Atas ialah kandungan terperinci Cekap dan tepat, pasukan Universiti Zhengzhou membangunkan alat AI baharu untuk mengenal pasti interaksi sasaran dadah. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!