La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

MolHF: Molecular Heterogeneous Attributes Fusion for Drug-Target Affinity Prediction on Heterogeneity MolHF : Fusion d'attributs moléculaires hétérogènes pour la prédiction de l'affinité médicament-cible sur l'hétérogénéité

Runze WANG, Zehua ZHANG, Yueqin ZHANG, Zhongyuan JIANG, Shilin SUN, Guixiang MA

  • Vues en texte intégral

    2

  • Citer

Résumé:

Des études récentes sur la prédiction de la structure des protéines, telles qu'AlphaFold, ont permis à l'apprentissage profond d'attirer une grande attention sur la tâche Drug-Target Affinity (DTA). La plupart des travaux se consacrent à intégrer une propriété moléculaire unique et des informations homogènes, ignorant les divers gains d'informations hétérogènes contenus dans les molécules et les interactions. Motivés par cela, nous proposons un cadre d'apprentissage profond de bout en bout pour effectuer la fusion de fonctionnalités moléculaires hétérogènes (MolHF) pour la prédiction DTA sur l'hétérogénéité. Pour relever les défis que les attributs biochimiques localisent dans différents espaces hétérogènes, nous concevons un module d'apprentissage de l'information moléculaire hétérogène avec un apprentissage multi-stratégies. En particulier, le module Molecular Heterogeneous Attention Fusion est présent pour obtenir les gains des caractéristiques moléculaires hétérogènes. Grâce à ceux-ci, la diversité des informations sur la structure moléculaire des médicaments peut être extraite. Des expériences approfondies sur deux ensembles de données de référence montrent que notre méthode surpasse les lignes de base dans les quatre mesures. Les études d'ablation valident l'effet d'une fusion attentive et de caractéristiques hétérogènes de plusieurs groupes de médicaments. Les présentations visuelles démontrent l'impact du niveau d'incorporation des protéines et la capacité du modèle à ajuster les données. En résumé, les divers gains apportés par des informations hétérogènes contribuent à la prédiction de l’affinité médicament-cible.

Publication
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.697-706
Date de publication
2023/05/01
Publicisé
2022/05/31
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022DLP0023
Type de manuscrit
Special Section PAPER (Special Section on Deep Learning Technologies: Architecture, Optimization, Techniques, and Applications)
Catégories
Santé intelligente

Auteurs

Runze WANG
  Taiyuan University of Technology
Zehua ZHANG
  Taiyuan University of Technology
Yueqin ZHANG
  Taiyuan University of Technology
Zhongyuan JIANG
  Xidian University
Shilin SUN
  Taiyuan University of Technology
Guixiang MA
  University of Illinois at Chicago

Mots-clés

Table des matières