Das Team der Universität Zhengzhou entwickelt effizient und genau ein neues KI-Tool zur Identifizierung von Arzneimittel-Zielinteraktionen

Herausgeber |. Dry Leaf Butterfly

Die genaue Identifizierung von Arzneimittel-Target-Interaktionen (DTIs) ist einer der wichtigsten Schritte im Prozess der Arzneimittelentdeckung und Arzneimittelneupositionierung.

Derzeit wurden viele rechnerbasierte Modelle zur Vorhersage von DTI vorgeschlagen, und es wurden einige bedeutende Fortschritte erzielt.

Allerdings konzentrieren sich diese Methoden selten darauf, wie man Multiview-Ähnlichkeitsnetzwerke in Bezug auf Medikamente und Targets auf geeignete Weise zusammenführen kann. Darüber hinaus wurde nicht ausreichend untersucht, wie bekannte Wechselwirkungsbeziehungen vollständig einbezogen werden können, um Arzneimittel und Ziele genau darzustellen. Daher bleibt eine Verbesserung der Genauigkeit von DTI-Vorhersagemodellen erforderlich.

In der neuesten Forschung haben Teams der Zhengzhou University und der University of Electronic Science and Technology of China eine neue Methode vorgeschlagen, MIDTI. Diese Methode verwendet eine Multi-View-Ähnlichkeitsnetzwerk-Fusionsstrategie und einen tiefgreifenden interaktiven Aufmerksamkeitsmechanismus, um Arzneimittel-Ziel-Wechselwirkungen vorherzusagen.

Die Ergebnisse zeigen, dass MIDTI bei der DTI-Vorhersageaufgabe deutlich besser abschneidet als andere Basismethoden. Die Ergebnisse des Ablationsexperiments bestätigten auch die Wirksamkeit des Aufmerksamkeitsmechanismus und des tiefen interaktiven Aufmerksamkeitsmechanismus in der Multi-View-Ähnlichkeitsnetzwerk-Fusionsstrategie.

Die Studie trägt den Titel „Drug-Target Interaction Predictions with Multi-View Similarity Network Fusion Strategy and Deep Interactive Attention Mechanism“ und wurde am 6. Juni 2024 in „Bioinformatics“ veröffentlicht.

Drug Target Interaction (DTI)-Vorhersage

nimmt eine zentrale Stellung im Prozess der Entwicklung und Wiederverwendung neuer Medikamente ein, was kostspielige und zeitaufwändige Methoden für Forscher darstellt . Beschleunigen Sie den Prozess.

Computergestützte DTI-Vorhersagemethoden

sind hauptsächlich unterteilt in:

1. Strukturbasierte Methoden: Verlassen sich auf Arzneimittelmoleküle und Zielstrukturen und Bindungsstellen, sind jedoch durch fehlende Strukturinformationen zu bestimmten Zielen wie Membranproteinen eingeschränkt von.
2. Ligandenbasierte Methode: Erstellen Sie ein Modell basierend auf bekannten aktiven kleinen Molekülen, aber es funktioniert nicht gut, wenn die Anzahl der Zielbindungsliganden begrenzt ist.
3. Auf maschinellem Lernen basierende Methode: Prognostizieren Sie potenzielle DTI, indem Sie die chemische Struktur des Arzneimittels und Merkmale der Zielgensequenz für die binäre Klassifizierung extrahieren.

Einschränkungen maschineller Lernmethoden

Aktuelle Methoden lernen nur Darstellungen basierend auf der Struktur des Arzneimittels und des Ziels selbst und ignorieren die Interaktion zwischen DTI-Paaren.

Heterogener Netzwerkaufbau

Die Beziehung zwischen biologischen Einheiten enthält umfangreiche semantische Informationen. Der Aufbau eines Netzwerks, das heterogene Informationen integriert, hilft dem System, DTI zu verstehen.

MIDTI-Methode

Das Team der Universität Zhengzhou schlug MIDTI vor, eine neue Methode zur Vorhersage von DTI, basierend auf:

• Multi-View-Ähnlichkeitsnetzwerk-Fusionsstrategie
• Tiefer interaktiver Aufmerksamkeitsmechanismus

  

  MIDTI als gesamtes Framework

Abbildung: Der Gesamtrahmen von MIDTI (Quelle: Papier)

Schritte:

1. Aufbau eines Ähnlichkeitsnetzwerks: MIDTI baut ein Arzneimittelähnlichkeitsnetzwerk auf der Grundlage von Informationen von Arzneimittelverbänden auf und übernimmt eine Fusionsstrategie Erhalten Sie ein integriertes Arzneimittelähnlichkeitsnetzwerk und bauen Sie auf ähnliche Weise ein integriertes Zielähnlichkeitsnetzwerk auf.
2. Einbettungen lernen: MIDTI nutzt GCN, um Medikamenten- und Target-Einbettungen aus integrierten Medikamentenähnlichkeitsnetzwerken, integrierten Zielähnlichkeitsnetzwerken, zweiteiligen Medikamenten-Target-Netzwerken und heterogenen Medikamenten-Target-Netzwerken zu lernen.
3. Diskriminative Einbettung: MIDTI nutzt einen interaktiven Aufmerksamkeitsmechanismus, um diskriminierende Einbettungen basierend auf bekannten DTI-Beziehungen zu lernen.
4. DTI vorhersagen: Die erlernten Arzneimittel-Ziel-Paardarstellungen werden in das MLP eingespeist, um DTI vorherzusagen.

   

   Illustration: Vier Schritte einer multiperspektivischen Fusionsstrategie für Arzneimittelähnlichkeitsnetzwerke. (Quelle: Papier)

Um die Leistung von MIDTI zu bewerten, verwendeten die Forscher eine Vielzahl von Bewertungsmetriken, darunter Genauigkeit (ACC), Fläche unter der Kurve (AUC), Fläche unter der Präzisions-Recall-Kurve (AUPR) und F1-Score und Matthews-Korrelationskoeffizient (MCC). Die Forscher verglichen MIDTI mit zehn anderen konkurrierenden Methoden, darunter unter anderem Random Forests, Graph Convolutional Networks, Graph Attention Networks, MMGCN, GraphCDA und DTINet.

MIDTI erreichte Werte von 0,9340, 0,9787 und 0,9701 bei den ACC-, AUC- und AUPR-Metriken, was 2,55 %, 2,31 % und 2,30 % höher ist als die höchsten Werte von MMGCN und GraphCDA. Dies weist darauf hin, dass MIDTI eine der wettbewerbsfähigsten Methoden zur Vorhersage von Arzneimittel-Ziel-Wechselwirkungen ist. Auch in Experimenten mit unterschiedlichen positiven und negativen Probenverhältnissen zeigte MIDTI eine hervorragende Leistung.

Abbildung: Visualisierung der von MIDTI zu verschiedenen Zeiten gelernten Einbettungen von Wirkstoffzielen. (Quelle: Papier)

Die Studie zeigt auch die Visualisierungsergebnisse der von MIDTI erlernten Arzneimittel-Target-Einbettungen, wobei das t-SNE-Tool verwendet wurde, um die Einbettungen im zweidimensionalen Raum abzubilden. Mit zunehmender Anzahl der Trainingsrunden werden nach und nach positive Beispiele und negative Beispiele unterschieden, was beweist, dass die von MIDTI gelernten Einbettungen eine gute Unterscheidbarkeit und Interpretierbarkeit aufweisen, wodurch die Genauigkeit der DTI-Vorhersagen verbessert wird.

Der Kernbeitrag von MIDTI ist:

1. Es schlägt eine neue Multi-View-Strategie zur Fusion ähnlicher Netzwerke vor, die verschiedene ähnliche Netzwerke auf unbeaufsichtigte Weise integrieren kann;
2. Unter Verwendung eines tiefen interaktiven Aufmerksamkeitsmechanismus, der auf bekannten DTI-Informationen basiert, lernt er diskriminierend Darstellungen von Medikamenten und Zielen;
3. Eine große Anzahl von Experimenten beweist, dass MIDTI andere fortgeschrittene Methoden bei DTI-Vorhersageaufgaben übertrifft.

Kurz gesagt ist MIDTI eine effiziente und genaue Methode zur Vorhersage von Arzneimittel-Ziel-Interaktionen. Ihre Innovation liegt in der Verwendung von Multi-View-Informationen und Tiefenaufmerksamkeitsmechanismen zur Verbesserung der Vorhersagefähigkeiten.

Die Forscher sagten, dass die nächsten Arbeiten in den folgenden zwei Aspekten durchgeführt werden. Zunächst wird das Einbettungslernen unter Verwendung anderer relevanter Datenquellen zu Arzneimitteln und Zielen durchgeführt. Zweitens kann MIDTI auf andere Verbindungsvorhersageprobleme angewendet werden, beispielsweise auf die Vorhersage von miRNA-Krankheitsassoziationen.

Verwandte Berichte: https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335

Das obige ist der detaillierte Inhalt vonDas Team der Universität Zhengzhou entwickelt effizient und genau ein neues KI-Tool zur Identifizierung von Arzneimittel-Zielinteraktionen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!