准确预测药物-靶点相互作用，江南大学提出深度学习融合GNN新方法MINDG
编辑 | 紫罗
药物-靶点相互作用（DTI）预测在药物发现中发挥着重要作用。尽管药物靶点预测的智能计算方法受到了广泛关注，并取得了许多进展，但仍然是一项具有挑战性的任务，需要进一步的研究。
为了解决上述挑战，江南大学研究团队提出了一种集成深度学习和图学习的多视图集成学习网络（MINDG）。
MINDG 结合图学习和深度学习来提取药物和蛋白质的内在结构信息，以及它们之间的外在关系信息。因此，与之前的方法相比，MINDG 提高了模型预测的性能。
相关研究以《MINDG: a drug–target interaction prediction method based on an integrated learning algorithm》为题，于 2024 年 3 月 14 日发布在《Bioinformatics》上。
GitHub 地址：https://github.com/jnuaipr/MINDG
论文链接：https://doi.org/10.1093/bioinformatics/btae147
四种 DTI 预测方法
DTI 预测指预测给定的药物分子是否会与特定靶点结合，从而发挥靶向治疗作用。
目前 DTI 预测方法主要有四类：基于相似性的方法、机器学习方法、深度学习方法和图学习方法。
基于相似性的方法，例如，阿卜杜拉国王科技大学 (KAUST) Thafar 团队提出的 DTi2Vec 方法可以预测药物和蛋白质之间的联系，而无需挖掘药物和蛋白质的额外内部信息。
机器学习方法利用蛋白质结构和序列信息来预测目标。例如，使用化学结构、药物质谱和氨基酸序列来表示蛋白质以预测药物-靶标相互作用。
深度学习方法将特征、模型和生物信息学网络与其他方法相结合，以获得更好的预测结果。
目前，在 DTI 预测的可用方法中，基于图卷积网络（GCN）的方法最有前景。
药物靶标预测的智能计算方法受到了广泛关注并取得了重大进展。然而，这仍然是一项具有挑战性的任务。
主要挑战表现为：（i）大多数基于图神经网络（GNN）的方法只考虑图中一阶相邻节点（药物和靶标）的信息，而没有从高阶相邻节点中学习更深入、更丰富的结构特征。（ii）现有方法没有同时考虑药物和靶标的序列和结构特征，各方法相互独立，无法结合序列和结构特征的优点来提高交互式学习效果。
MINDG 提高了 DIT 预测性能
为了应对这一挑战，该研究提出了一种集成深度学习和图学习的多视图集成学习网络（MINDG）。
图示：MINDG 模型的总体架构。（来源：论文）
该网络由以下部分…
实验研究
为了验证 MINDG 的有效性，在以下方面进行了实验分析：（i）与当前性能较好的药物-靶点相互作用预测方法的性能比较；(ii) 进行了消融实验；(iii) 进行了预测结果的应用研究。
在两个数据集上（BindingDB 和 DAVIS）…
…
不足和改进方向
MINDG 与一些最先进的方法进行了各种比较，结果表明所提出的方法性能更佳。
然而，MINDG 只是以顺序的方式学习药物和蛋白质的内在结构信息，并没有充分利用所有可用的内在结构信息。
未来，图学习方法可能会被用来学习药物和蛋白质的内在结构。此外，由于研究有限，研究人员还没有进行湿实验阶段。计划将来进行进一步的湿实验，包括药物 panel 测试。
【推荐阅读】
感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。
准确预测药物-靶点相互作用，江南大学提出深度学习融合GNN新方法MINDG
