論文の概要: Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity
- arxiv url: http://arxiv.org/abs/2203.11458v1
- Date: Tue, 22 Mar 2022 04:50:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 13:32:36.741855
- Title: Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity
- Title(参考訳): 薬物標的結合親和性の予測のための階層グラフ表現学習
- Authors: Zhaoyang Chu, Shichao Liu, Wen Zhang
- Abstract要約: 本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
- 参考スコア(独自算出の注目度): 7.023929372010717
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The identification of drug-target binding affinity (DTA) has attracted
increasing attention in the drug discovery process due to the more specific
interpretation than binary interaction prediction. Recently, numerous deep
learning-based computational methods have been proposed to predict the binding
affinities between drugs and targets benefiting from their satisfactory
performance. However, the previous works mainly focus on encoding biological
features and chemical structures of drugs and targets, with a lack of
exploiting the essential topological information from the drug-target affinity
network. In this paper, we propose a novel hierarchical graph representation
learning model for the drug-target binding affinity prediction, namely
HGRL-DTA. The main contribution of our model is to establish a hierarchical
graph learning architecture to incorporate the intrinsic properties of
drug/target molecules and the topological affinities of drug-target pairs. In
this architecture, we adopt a message broadcasting mechanism to integrate the
hierarchical representations learned from the global-level affinity graph and
the local-level molecular graph. Besides, we design a similarity-based
embedding map to solve the cold start problem of inferring representations for
unseen drugs and targets. Comprehensive experimental results under different
scenarios indicate that HGRL-DTA significantly outperforms the state-of-the-art
models and shows better model generalization among all the scenarios.
- Abstract(参考訳): 薬物標的結合親和性(dta)の同定は、二元相互作用予測よりも特定の解釈により、創薬プロセスにおいて注目を集めている。
近年, 薬物と標的との結合親和性を予測するための深層学習に基づく計算手法が数多く提案されている。
しかし、以前の研究は、主に薬物や標的の生物学的特徴や化学構造をエンコードすることに焦点を当てており、薬物標的親和性ネットワークの本質的なトポロジー情報を活用していない。
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本モデルの主な貢献は、薬物・標的分子の内在的性質と薬物・標的対のトポロジ的親和性を組み込む階層的なグラフ学習アーキテクチャを確立することである。
本アーキテクチャでは,グローバルレベルアフィニティグラフと局所レベル分子グラフから学習した階層表現を統合するためのメッセージブロードキャスティング機構を採用する。
さらに,類似性に基づく埋め込みマップを設計し,未発見の薬物や標的の表現を推測するコールドスタート問題を解決する。
異なるシナリオによる包括的な実験結果から、hgrl-dtaは最先端モデルを大きく上回り、すべてのシナリオにおいてより優れたモデル一般化を示している。
関連論文リスト
- MKDTI: Predicting drug-target interactions via multiple kernel fusion on graph attention network [37.40418564922425]
グラフアテンションネットワークの様々な層埋め込みからカーネル情報を抽出することにより、MKDTIと呼ばれるモデルを定式化する。
我々は、Dual Laplacian Regularized Least Squaresフレームワークを使用して、新規なドラッグターゲットエンティティ接続を予測する。
論文 参考訳(メタデータ) (2024-07-14T02:53:25Z) - MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。
我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。
ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
論文 参考訳(メタデータ) (2024-06-12T21:18:14Z) - HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction [15.005837084219355]
階層型グラフ表現学習に基づくDTI予測法(HiGraphDTI)を提案する。
具体的には、HiGraphDTIは三重レベル分子グラフから階層的な薬物表現を学び、原子、モチーフ、分子に埋め込まれた化学情報を徹底的に活用する。
注目特徴融合モジュールは、異なる受容領域からの情報を組み込んで表現対象特徴を抽出する。
論文 参考訳(メタデータ) (2024-04-16T13:35:24Z) - GraphCL-DTA: a graph contrastive learning with molecular semantics for
drug-target binding affinity prediction [2.523552067304274]
GraphCL-DTAは、薬物表現を学習する分子グラフのためのグラフコントラスト学習フレームワークである。
次に、薬物と標的表現の均一性を調整するために直接使用できる新しい損失関数を設計する。
上記のイノベーティブな要素の有効性は、2つの実際のデータセットで検証される。
論文 参考訳(メタデータ) (2023-07-18T06:01:37Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳(メタデータ) (2021-03-05T09:03:03Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳(メタデータ) (2020-12-17T17:44:01Z) - Bi-Level Graph Neural Networks for Drug-Drug Interaction Prediction [33.68442018194687]
薬物-薬物相互作用(DDI)やタンパク質-タンパク質相互作用(PPI)などの生物学的リンク予測タスクをモデル化するためのBi-GNNを導入する。
我々のモデルは、高レベル相互作用グラフと低レベル表現グラフの両方からの情報の利用を可能にするだけでなく、データのバイレベルの性質に対処する将来の研究機会のベースラインも提供します。
論文 参考訳(メタデータ) (2020-06-11T04:49:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。