FMCA-DTI: Eine fragmentorientierte Methode basierend auf einem Multihead-Cross-Attention-Mechanismus zur Verbesserung der Vorhersage von Arzneimittel-Ziel-Interaktionen

Zusammenfassung Motivation Die Identifizierung von Arzneimittel-Ziel-Interaktionen (DTI) ist entscheidend in der Arzneimittelentdeckung. Fragmente sind weniger komplex und können lokale Merkmale genau charakterisieren, was bei der DTI-Vorhersage wichtig ist. Kürzlich prognostizieren Methoden, die auf tiefem Lernen (DL) basieren, DTI effizienter. Es bleiben jedoch zwei Herausforderungen bei bestehenden, DL-basierten Methoden: (i) einige Methoden kodieren Arzneimittel und Proteine direkt in Ganzzahlen und ignorieren die Substrukturrepräsentation; (ii) einige Methoden lernen die Merkmale der Arzneimittel und Proteine getrennt, anstatt ihre Interaktionen zu berücksichtigen. Ergebnisse In diesem Artikel schlagen wir eine fragmentorientierte Methode basierend auf einem Multihead-Cross-Attention-Mechanismus zur Vorhersage von DTI vor, die FMCA-DTI genannt wird. FMCA-DTI erzeugt mehrere Arten von Fragmenten von Arzneimitteln und Proteinen durch Branch Chain Mining und Kategorie-Fragment-Mining. Wichtig ist, dass FMCA-DTI den shared-weight-basierten Multihead-Cross-Attention-Mechanismus verwendet, um die komplexen Interaktionsmerkmale zwischen verschiedenen Fragmenten zu lernen. Experimente an drei Benchmark-Datensätzen zeigen, dass FMCA-DTI eine signifikant verbesserte Leistung erzielt, indem es mit vier aktuellen Baselines verglichen wird. Verfügbarkeit und Implementierung Der Code für diesen Workflow ist verfügbar unter: https://github.com/jacky102022/FMCA-DTI.