薬物標的結合親和性予測のための階層的グラフ表現学習【JST・京大機械翻訳】

Chu Zhaoyang; Liu Shichao; Zhang Wen

プレプリント

J-GLOBAL ID：202202206090330367 整理番号：22P0308108

薬物標的結合親和性予測のための階層的グラフ表現学習【JST・京大機械翻訳】

Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月22日プレプリントサーバーでの情報更新日： 2022年03月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

薬物-標的結合親和性(DTA)の同定は,二成分相互作用予測よりもより特異的な解釈により,薬物発見過程でますます注目を集めている。最近,多くの深い学習に基づく計算法が,薬剤と標的間の結合親和性を,それらの満足な性能から利益を得る為に提案されている。しかし,以前の研究は,薬物標的親和性ネットワークから必須のトポロジー情報を利用することなく,薬物と標的の生物学的特徴および化学構造の符号化に主に焦点を合わせている。本論文では,薬物標的結合親和性予測,すなわちHGRL-DTAのための新しい階層的グラフ表現学習モデルを提案した。著者らのモデルの主な寄与は,薬物/標的分子の固有の性質と薬物標的対のトポロジー親和性を組み込むための階層的グラフ学習アーキテクチャを確立することである。このアーキテクチャでは,大域的レベル親和性グラフと局所レベル分子グラフから学習された階層的表現を統合するためにメッセージ放送機構を採用した。さらに,著者らは,非セエンス薬物とターゲットのための表現を推論するコールドスタート問題を解決するために,類似性ベースの埋込みマップを設計した。異なるシナリオの下での包括的な実験結果は,HGRL-DTAが最先端のモデルより著しく優れ,すべてのシナリオの中でより良いモデル一般化を示すことを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

薬物の構造活性相関 , 薬物の物理化学的性質

, , , ,

前のページに戻る