DynHeter-DTA: Dynamische Heterogene Grafrepräsentation zur Vorhersage der Bindungsaffinität zwischen Arzneimitteln und Zielen

In der Arzneimittelentwicklung ist die Vorhersage der Arzneimittel-Ziel-Affinität (DTA) ein wichtiger Indikator zur Bewertung der Wirksamkeit und Sicherheit des Arzneimittels. Trotz signifikanter Fortschritte bei den auf Deep Learning basierenden Affinitätsvorhersagemethoden in den letzten Jahren gibt es weiterhin Einschränkungen bei der Erfassung der komplexen Wechselwirkungen zwischen Arzneimitteln und Zielrezeptoren. Um dieses Problem zu lösen, wird in diesem Beitrag ein dynamisches heterogenes Graph-Vorhersagemodell, DynHeter-DTA, vorgeschlagen, das die komplexen Beziehungen zwischen Arzneimittel-Arzneimittel-, Protein-Protein- und Arzneimittel-Protein-Interaktionen vollständig nutzt und es dem Modell ermöglicht, adaptiv die optimalen Graphstrukturen zu lernen. Konkret (1) in der Datenverarbeitungsebene, um die Ähnlichkeiten und Wechselwirkungen zwischen Arzneimitteln und Proteinen besser zu nutzen, passt das Modell dynamisch die Verbindungsstärken zwischen Arzneimittel-Arzneimittel-, Protein-Protein- und Arzneimittel-Protein-Paaren an und konstruiert eine variable heterogene Graphstruktur, die die Ausdruckskraft und die Verallgemeinerungsleistung des Modells signifikant verbessert; (2) in der Modellgestaltungs-Ebene, unter Berücksichtigung, dass die Anzahl der Protein-Knoten die Anzahl der Arzneimittel-Knoten erheblich übersteigt, wird ein Ansatz vorgeschlagen, der Graph-Isomorphismus-Netzwerke (GIN) und Self-Attention Graph Pooling (SAGPooling) nutzt, um die Vorhersageeffizienz und -genauigkeit zu verbessern. Umfassende Experimente mit den öffentlichen Datensätzen Davis, KIBA und Human zeigen, dass DynHeter-DTA die Leistung früherer Modelle bei der Vorhersage von Arzneimittel-Ziel-Interaktionen übertrifft und eine innovative Lösung für die Vorhersage der Arzneimittel-Ziel-Affinität bietet.