論文の概要: Building explainable graph neural network by sparse learning for the
drug-protein binding prediction
- arxiv url: http://arxiv.org/abs/2309.12906v1
- Date: Sun, 27 Aug 2023 02:20:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-01 12:33:46.660411
- Title: Building explainable graph neural network by sparse learning for the
drug-protein binding prediction
- Title(参考訳): 薬物結合予測のためのスパース学習による説明可能なグラフニューラルネットワークの構築
- Authors: Yang Wang, Zanyu Shi, Timothy Richardson, Kun Huang, Pathum
Weerawarna, Yijie Wang
- Abstract要約: 本稿では,現在説明可能なGNNモデルの限界を克服するために,SLGNN(Sparse Learning to Graph Neural Networks)を提案する。
我々のSLGNNは、薬物分子を表現するために化学構造に基づくグラフを使うことに依存しています。
我々はまず,SLGNNが同定したすべてのキー構造が化学的に有効であることを示すことによって,SLGNNの説明力を示す。
- 参考スコア(独自算出の注目度): 10.781786699390853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Explainable Graph Neural Networks (GNNs) have been developed and applied to
drug-protein binding prediction to identify the key chemical structures in a
drug that have active interactions with the target proteins. However, the key
structures identified by the current explainable GNN models are typically
chemically invalid. Furthermore, a threshold needs to be manually selected to
pinpoint the key structures from the rest. To overcome the limitations of the
current explainable GNN models, we propose our SLGNN, which stands for using
Sparse Learning to Graph Neural Networks. Our SLGNN relies on using a
chemical-substructure-based graph (where nodes are chemical substructures) to
represent a drug molecule. Furthermore, SLGNN incorporates generalized fussed
lasso with message-passing algorithms to identify connected subgraphs that are
critical for the drug-protein binding prediction. Due to the use of the
chemical-substructure-based graph, it is guaranteed that any subgraphs in a
drug identified by our SLGNN are chemically valid structures. These structures
can be further interpreted as the key chemical structures for the drug to bind
to the target protein. We demonstrate the explanatory power of our SLGNN by
first showing all the key structures identified by our SLGNN are chemically
valid. In addition, we illustrate that the key structures identified by our
SLGNN have more predictive power than the key structures identified by the
competing methods. At last, we use known drug-protein binding data to show the
key structures identified by our SLGNN contain most of the binding sites.
- Abstract(参考訳): GNN(Explainable Graph Neural Networks)は、標的タンパク質と活発に相互作用する薬物の主要な化学構造を特定するために、薬物結合予測に開発され、応用されている。
しかし、現在の説明可能なgnnモデルで識別されるキー構造は通常化学的に無効である。
さらに、残りの部分からキー構造をピンポイントするために、しきい値を手動で選択する必要がある。
現在のGNNモデルの限界を克服するため,Sparse Learning to Graph Neural Networksの略であるSLGNNを提案する。
slgnnは、化学サブストラクチャーベースのグラフ(ノードが化学サブストラクチャーである)を使用して薬物分子を表現しています。
さらに、SLGNNは、一般化された融合ラッソとメッセージパスアルゴリズムを組み込んで、薬物結合予測に不可欠な連結サブグラフを同定する。
ケミカルサブストラクチャーに基づくグラフを用いることにより,SLGNNが同定した薬物中のどんなサブグラフも化学的に有効な構造であることが保証される。
これらの構造は、薬物が標的タンパク質に結合する鍵となる化学構造として解釈することができる。
我々はまず,SLGNNが同定したすべてのキー構造が化学的に有効であることを示すことによって,SLGNNの説明力を示す。
さらに,slgnnで同定されたキー構造は,競合する手法で識別されるキー構造よりも高い予測力を有することを示す。
最終的に、SLGNNが同定したキー構造がほとんどの結合部位を含んでいることを示すために、既知の薬物結合データを用いている。
関連論文リスト
- Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳(メタデータ) (2024-09-23T17:11:04Z) - Unveiling Molecular Moieties through Hierarchical Graph Explainability [0.0]
Graph Neural Networks(GNN)は、サイリコ仮想スクリーニングをサポートする強力なツールとして登場した。
本稿では,グラフ畳み込みアーキテクチャを用いて,高精度なマルチターゲットスクリーニングを実現するGNNを提案する。
また,原子,環,分子レベルでの情報を直接取得する階層的説明可能な人工知能(XAI)技術も考案した。
論文 参考訳(メタデータ) (2024-01-29T17:23:25Z) - ChiENN: Embracing Molecular Chirality with Graph Neural Networks [10.19088492223333]
本稿では,GNNをノード近傍の順序に敏感にする,理論的に正当化されたメッセージパス方式を提案する。
分子キラリティの文脈でこの概念を適用し、任意のGNNモデルに付加可能なキラルエッジニューラルネットワーク層を構築する。
GNNにChiENN層を追加することで、キラル感受性分子特性予測タスクにおける最先端の手法よりも優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2023-07-05T10:50:40Z) - Self-organization Preserved Graph Structure Learning with Principle of
Relevant Information [72.83485174169027]
PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。
PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
論文 参考訳(メタデータ) (2022-12-30T16:02:02Z) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳(メタデータ) (2022-08-30T05:16:15Z) - 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) - Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。
分子グラフ生成における表現第一のアプローチを提案する。
我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文 参考訳(メタデータ) (2021-10-12T18:00:23Z) - 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) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳(メタデータ) (2020-08-11T15:01:32Z) - Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs [95.63153473559865]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
既存のGNNモデルの多くは浅く、本質的に機能中心である。
我々は,既存の浅いGNNがグラフ構造をよく保存できないことを経験的かつ解析的に示す。
本稿では,グラフ構造保存におけるGNNの能力を高めるプラグインモジュールであるEigen-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-08T02:47:38Z)
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。