DEAttentionDTA : Prédiction de l'affinité de liaison protéine-ligand basée sur l'enregistrement dynamique et l'auto-attention

Résumé Motivation La prédiction de l'affinité de liaison protéine-ligand est cruciale dans la découverte et le développement de nouveaux médicaments. Cependant, la plupart des modèles existants reposent sur l'acquisition de structures 3D de protéines insaisissables. Combiner les séquences d'acides aminés avec les séquences de ligands et mieux mettre en évidence les sites actifs sont également des défis significatifs. Résultats Nous proposons un modèle de réseau de neurones innovant appelé DEAttentionDTA, basé sur des embeddings dynamiques et un mécanisme d'auto-attention, pour prédire l'affinité de liaison protéine-ligand. DEAttentionDTA prend en entrée les informations de séquence 1D des protéines, y compris les caractéristiques globales de séquence des acides aminés, les caractéristiques locales du site de poche actif et les informations de représentation linéaire de la molécule de ligand au format SMILE. Ces trois séquences linéaires sont alimentées dans une couche d'embedding dynamique basée sur un réseau de neurones convolutifs 1D pour l'encodage des embeddings et sont corrélées par un mécanisme d'auto-attention. Les valeurs de prédiction d'affinité de sortie sont générées à l'aide d'une couche linéaire. Nous avons comparé DEAttentionDTA avec divers outils grand public et obtenu des résultats significativement supérieurs sur le même ensemble de données. Nous avons ensuite évalué la performance de ce modèle dans la famille de protéines p38. Disponibilité et implementation Les codes sources sont disponibles sur https://github.com/whatamazing1/DEAttentionDTA.