.png){kind=icon}
返回
DecoderDTA: enhancing drug-target binding affinity prediction via decoding fidelity in multi-task learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10822-026-00807-4.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测药物-靶点结合亲和力（DTA）对于计算机辅助药物发现至关重要。现有深度学习方法通常仅针对亲和力回归进行优化，这可能导致过度压缩的表示，从而丢失部分结构和语义信息。我们提出DecoderDTA，一个通过引入辅助序列重建任务来强制解码保真度的多任务框架，以改进现有的DTA骨干网络。在训练过程中，这些解码器被赋予重建原始SMILES字符串和氨基酸序列的任务。这种辅助重建目标作为解码保真度，鼓励编码器在不增加推理阶段计算开销的情况下保留更丰富的结构和语义信息。在Davis和KIBA基准测试中，DecoderDTA变体均一致提升了性能。例如，DeepDTA-Dec将Davis上的MSE从0.261降低到0.220（相对改善约15.7%），将KIBA上的MSE从0.194降低到0.167（约13.9%），同时提高了CI和$r_m^2$指标。类似地，GraphDTA-Dec也显示出一致的改进。消融研究揭示了一个有趣的现象：同时优化两个重建任务并不总是优于使用单个解码器。这一发现突显了多任务框架中目标之间的复杂相互作用，并指出了未来架构改进的重要方向，例如自适应任务加权。尽管如此，所有DecoderDTA变体相对于各自基线的持续改进表明，引入解码保真度是增强DTA预测的有效且可推广的策略，为该任务的表示学习提供了新视角。
Keyword:
Drug–target binding affinity
Decoding fidelity
Multi-task learning
Representation learning
Sequence reconstruction
期刊
J
IF:
3.1
论文数:
2.5K
被引数:
5.8K
机构
引用论文
分享收藏Concordance probability and discriminatory power in proportional hazards regression.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏AttentionMGT-DTA: A multi-modal drug-target affinity prediction using graph transformer and attention mechanismAttentionmgt-dta: 使用图形转换和注意机制的多模式药物-靶标亲和力预测NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏MGraphDTA: deep multiscale graph neural network for explainable drug-target binding affinity predictionCHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏分享收藏
查看更多内容