GraphCPI: Aprendizado de Representação Neural em Grafo para Interação Composto-Proteína

Prever com precisão interações composto-proteína (CPIs) é de grande ajuda para aumentar a eficiência e reduzir custos no desenvolvimento de medicamentos. A maioria dos modelos de aprendizado de máquina existentes para previsão de CPI geralmente representa compostos e proteínas em strings unidimensionais ou utiliza métodos baseados em descritores. Esses modelos podem ignorar o fato de que as moléculas são essencialmente estruturadas pela ligação química dos átomos. No entanto, em cenários do mundo real, as informações da estrutura topológica geralmente fornecem uma visão geral de como os átomos estão conectados, e o contexto químico local revela a funcionalidade da sequência de proteínas em CPI. Esses dois tipos de informação são complementares entre si e ambos são importantes para modelar compostos e proteínas. Motivado por isso, este artigo sugere uma estrutura de aprendizado profundo de ponta a ponta chamada GraphCPI, que captura as informações estruturais dos compostos e aproveita o contexto químico das sequências de proteínas para resolver a tarefa de previsão de CPI. Nossa estrutura pode integrar quaisquer redes neurais gráficas populares para aprender compostos e combina-se com uma rede neural convolucional para incorporar sequências. Realizamos extensos experimentos com base em dois conjuntos de dados de referência para CPI. Os resultados experimentais demonstram que nossa estrutura proposta é viável e também competitiva, comparando-se a métodos clássicos e de ponta.