- +1
Nat. Mach. Intell. 速递:可解释双线性注意力网络提高药物靶点预测能力
原创 集智编辑部 集智俱乐部
![](https://imagepphcloud.thepaper.cn/pph/image/237/518/463.jpg)
关键词:深度学习,药物发现,蛋白质预测,分布外泛化,可解释机器学习
![](https://imagepphcloud.thepaper.cn/pph/image/237/518/465.jpg)
论文题目:Interpretable bilinear attention network with domain adaptation improves drug–target prediction
论文来源:Nature Machine Intelligence
论文链接:https://www.nature.com/articles/s42256-022-00605-1
预测药物-靶点相互作用是药物发现的关键。传统的体外实验的生物医学测量是可靠的,但有明显的高成本和耗时的开发周期,使其无法应用于大规模数据。相比之下,深度学习方法可以大大缩小候选化合物的搜索范围,并能对药物组合中的潜在副作用有深入了解。
但深度学习的方法仍然存在两个挑战:如何明确地建模和学习药物和靶点之间的局部相互作用,以更好地预测和解释;第二个挑战是如何优化对新药物-靶点的预测的泛化能力,即在已知分布的基础上,跨领域推广预测性能。
这篇文章提出了 DrugBAN,一个具有领域适应性的深度双线性注意力网络(bilinear attention network, BAN)框架,以显式地学习药物和靶点之间的成对局部相互作用,并根据分布外数据进行适应。DrugBAN 在药物分子图和目标蛋白序列上进行预测,通过条件域对抗性学习来对齐不同分布中学习到的交互表示,使学习到的相互作用表征在不同的分布中保持一致,以便更好地泛化到新的药物-靶点对。
在三个基准数据集上进行的域内和跨域设置的实验表明,DrugBAN 在与五个最先进的基线模型的竞争中取得了最佳的整体性能。此外,可视化学习的双线性注意力图提供了预测结果的可解释性见解。
![](https://imagepphcloud.thepaper.cn/pph/image/237/518/466.jpg)
图1. DrugBAN 框架概览。
![](https://imagepphcloud.thepaper.cn/pph/image/237/518/467.jpg)
图2. BindingDB 和 BioSNAP 数据集的跨域性能比较。
![](https://imagepphcloud.thepaper.cn/pph/image/237/518/468.jpg)
图3. 用于可解释性研究的配体和结合口袋的可视化。
原标题:《Nat. Mach. Intell. 速递:可解释双线性注意力网络提高药物靶点预测能力》
本文为澎湃号作者或机构在澎湃新闻上传并发布,仅代表该作者或机构观点,不代表澎湃新闻的观点或立场,澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问http://renzheng.thepaper.cn。
![](/_next/static/media/pp_report.644295c3.png)
![](/_next/static/media/logo_caixun.cd299678.png)
![](/_next/static/media/logo_104x44_tianzi_white@2x.b88d1296.png)
![](/_next/static/media/logo_rebang.f9ee1ca1.png)
- 报料热线: 021-962866
- 报料邮箱: news@thepaper.cn
互联网新闻信息服务许可证:31120170006
增值电信业务经营许可证:沪B2-2017116
© 2014-2024 上海东方报业有限公司