返回
Enhancing drug-target interaction prediction with graph representation learning and knowledge-based regularization
DOI:10.3389/fbinf.2025.1649337.png)
摘要
En 中文
引言
精确预测药物-靶点相互作用(DTIs)对于加速药物发现和药物重定位至关重要。尽管基于深度学习的方法取得了近期进展,但在有效捕捉药物与靶点之间的复杂关系的同时融入先验生物知识方面仍存在挑战。
方法
我们提出了一种将图神经网络与知识整合相结合的全新框架用于DTI预测。该方法通过定制化的基于图的消息传递机制,从分子结构和蛋白质序列中学习表示。我们采用基于知识的正则化策略,整合来自生物医学本体和数据库的领域知识,以将生物学背景融入学习到的表示中。
结果
我们在多个基准数据集上评估了该模型,平均AUC达到0.98,平均AUPR达到0.89,显著超越了现有最先进方法。学习到的注意力权重的可视化识别了驱动预测相互作用的显著分子亚结构和蛋白质基序,展示了模型的可解释性。
讨论
我们通过为FDA批准的药物预测新的DTIs并实验验证其中高比例的预测结果,验证了其实用价值。该框架为DTI预测提供了一种强大且可解释的解决方案,具有显著加速新药物候选物和治疗方法靶点识别的潜力。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
465
被引数:
1.0K
机构
引用论文
KG-DTI: a knowledge graph based deep learning method for drug-target interaction predictions and Alzheimer's disease drug repositionsKg-dti: 一种基于知识图谱的药物-靶标相互作用预测和阿尔茨海默病药物再定位的深度学习方法
APPLIED INTELLIGENCE
IF3.5
DTI-HETA: prediction of drug-target interactions based on GCN and GAT on heterogeneous graphDti-heta: 基于GCN和GAT异构图的药物-靶标相互作用预测
DrugBank 6.0: the DrugBank Knowledgebase for 2024DrugBank 6.0: 2024的DrugBank知识库
NUCLEIC ACIDS RESEARCH
IF13.1

