Identificación de interacciones droga–objetivo basadas en redes neuronales convolucionales gráficas y redes neuronales profundas

La identificación de nuevas interacciones droga-objetivo (DTOs) es un paso importante, aunque consume tiempo y es costoso, en el descubrimiento de fármacos. En los últimos años, para mitigar estas desventajas, los investigadores han buscado identificar DTOs utilizando enfoques computacionales. Sin embargo, la mayoría de los métodos existentes construyen redes de drogas y redes de objetivos por separado, y luego predicen nuevas DTOs basadas en asociaciones conocidas entre las drogas y los objetivos sin tener en cuenta las asociaciones entre pares de droga-proteína (DPPs). Para incorporar las asociaciones entre DPPs en el modelado de DTOs, construimos una red de DPPs basada en múltiples drogas y proteínas en la que los DPPs son los nodos y las asociaciones entre DPPs son las aristas de la red. Luego proponemos un nuevo marco basado en aprendizaje, 'red neuronal convolucional gráfica (GCN)-DTO', para la identificación de DTOs. El modelo primero utiliza una red neuronal convolucional gráfica para aprender las características de cada DPP. En segundo lugar, utilizando la representación de características como entrada, emplea una red neuronal profunda para predecir la etiqueta final. Los resultados de nuestro análisis muestran que el marco propuesto supera por un amplio margen a algunos enfoques de vanguardia.