효율적이고 정확한 정저우 대학교 팀은 약물-표적 상호 작용을 식별하는 새로운 AI 도구를 개발합니다.

Editor | 마른 잎 나비

약물-표적 상호작용(DTI)의 정확한 식별은 약물 발견 및 약물 재배치 과정의 핵심 단계 중 하나입니다.

현재 DTI 예측을 위해 많은 계산 기반 모델이 제안되었으며 몇 가지 중요한 진전이 이루어졌습니다.

그러나 이러한 방법은 약물 및 표적과 관련된 다중 시점 유사성 네트워크를 적절한 방식으로 융합하는 방법에 중점을 두는 경우가 거의 없습니다. 더욱이, 약물과 표적을 정확하게 나타내기 위해 알려진 상호작용 관계를 완전히 통합하는 방법은 잘 연구되지 않았습니다. 따라서 DTI 예측 모델의 정확도를 향상시키는 것이 여전히 필요합니다.

최근 연구에서 정저우 대학교와 중국 전자 과학 기술 대학교 팀은 MIDTI라는 새로운 방법을 제안했습니다. 이 방법은 약물-표적 상호 작용을 예측하기 위해 다중 뷰 유사성 네트워크 융합 전략과 깊은 대화형 주의 메커니즘을 채택합니다.

결과에 따르면 MIDTI는 DTI 예측 작업에서 다른 기본 방법보다 훨씬 더 나은 성능을 발휘합니다. 절제 실험 결과를 통해 다시점 유사성 네트워크 융합 전략에서 Attention 메커니즘과 Deep Interactive Attention 메커니즘의 효율성도 확인되었습니다.

이 연구의 제목은 "다중 유사성 네트워크 융합 전략 및 심층 상호 작용 주의 메커니즘을 통한 약물-표적 상호 작용 예측"이며 2024년 6월 6일 "Bioinformatics"에 게재되었습니다.

약물 표적 상호 작용(DTI) 예측

은 신약 개발 및 재사용 과정에서 핵심 위치를 차지하므로 기존 습식 실험 방법은 비용과 시간이 많이 소요되므로 연구자들은 컴퓨터 보조 약물 스크리닝 방법으로 전환하게 됩니다. . 프로세스 속도를 높입니다.

전산 DTI 예측 방법

은 크게

1. 구조 기반 방법으로 나뉩니다. 약물 분자와 표적 구조, 결합 부위에 의존하지만 막 단백질 부족 등 특정 표적의 구조 정보에 의해 제한됩니다. 의.
2. 리간드 기반 방법: 알려진 활성 소분자를 기반으로 모델을 구축하지만, 표적 결합 리간드의 수가 제한되면 제대로 작동하지 않습니다.
3. 기계 학습 기반 방법: 이진 분류를 위해 약물 화학 구조 및 타겟 유전자 서열 특징을 추출하여 잠재적인 DTI를 예측합니다.

기계 학습 방법의 한계

현재 방법은 DTI 쌍 간의 상호 작용을 무시하고 약물과 표적 자체의 구조를 기반으로 표현만 학습합니다.

이종 네트워크 구축

생물학적 개체 간의 관계에는 풍부한 의미 정보가 포함되어 있습니다. 이종 정보를 통합하는 네트워크를 구축하면 시스템이 DTI를 이해하는 데 도움이 됩니다.

MIDTI 방법

정주대학교 팀은 다음을 기반으로 DTI를 예측하는 새로운 방법인 MIDTI를 제안했습니다.

• 다중 유사성 네트워크 융합 전략
• Deep Interactive Attention 메커니즘

  

  MIDTI 전체 프레임워크

그림: MIDTI의 전체 프레임워크 (출처: 논문)

단계:

1. 유사성 네트워크 구축: MIDTI는 약물 연관성 정보를 기반으로 약물 유사성 네트워크를 구축하고 융합 전략을 채택합니다. 통합된 약물 유사성 네트워크를 획득하고, 마찬가지로 통합된 표적 유사성 네트워크를 구축합니다.
2. 임베딩 학습: MIDTI는 GCN을 채택하여 통합 약물 유사성 네트워크, 통합 표적 유사성 네트워크, 약물-표적 이분 네트워크 및 약물-표적 이종 네트워크에서 약물 및 표적 임베딩을 학습합니다.
3. 차별적 임베딩: MIDTI는 대화형 어텐션 메커니즘을 활용하여 알려진 DTI 관계를 기반으로 차별적 임베딩을 학습합니다.
4. DTI 예측: 학습된 약물-표적 쌍 표현이 MLP에 입력되어 DTI를 예측합니다.

   

   그림: 다관점 약물 유사성 네트워크 융합 전략의 4단계. (출처: 논문)

MIDTI의 성능을 평가하기 위해 연구원들은 정확도(ACC), 곡선 아래 면적(AUC), 정밀도-재현율 곡선 아래 면적(AUPR), F1 점수 등 다양한 평가 지표를 사용했습니다. 및 매튜스 상관 계수(MCC). 연구원들은 MIDTI를 랜덤 포레스트, 그래프 컨벌루션 네트워크, 그래프 주의 네트워크, MMGCN, GraphCDA, DTINet 등을 포함한 10가지 다른 경쟁 방법과 비교했습니다.

MIDTI는 ACC, AUC, AUPR 지표에서 각각 0.9340, 0.9787, 0.9701의 점수를 얻었습니다. 이는 MMGCN 및 GraphCDA의 최고 점수보다 2.55%, 2.31%, 2.30% 높은 수치입니다. 이는 MIDTI가 약물-표적 상호작용을 예측하는 데 있어 가장 경쟁력 있는 방법 중 하나임을 나타냅니다. 다양한 긍정 및 부정 표본 비율의 실험에서도 MIDTI는 뛰어난 성능을 보여주었습니다.

그림: MIDTI가 다양한 시간에 학습한 약물 표적 임베딩을 시각화합니다. (출처: 논문)

이 연구는 또한 임베딩을 2차원 공간에 매핑하기 위해 t-SNE 도구를 사용하여 MIDTI가 학습한 약물 표적 임베딩의 시각화 결과를 보여줍니다. 훈련 라운드 수가 증가함에 따라 긍정적인 예와 부정적인 예가 점차 구별되는데, 이는 MIDTI가 학습한 임베딩이 좋은 식별력과 해석력을 가지고 있음을 증명하여 DTI 예측의 정확도가 향상된다는 것을 의미합니다.

MIDTI의 핵심 기여는 다음과 같습니다.

1. 다른 유사한 네트워크를 감독되지 않은 방식으로 통합할 수 있는 새로운 다중 뷰 유사 네트워크 융합 전략을 제안합니다.
2. 많은 실험을 통해 MIDTI가 DTI 예측 작업에서 다른 고급 방법보다 뛰어난 성능을 발휘한다는 것이 입증되었습니다.
3. 간단히 말하면 MIDTI는 효율적이고 정확한 약물-표적 상호작용 예측 방법으로, 다중 시점 정보와 심층 주의 메커니즘을 사용하여 예측 기능을 향상시키는 데 있습니다.

연구원들은 다음 작업은 다음 두 가지 측면에서 진행될 것이라고 밝혔습니다. 첫째, 임베딩 학습은 약물 및 표적의 기타 관련 데이터 소스를 사용하여 수행됩니다. 둘째, MIDTI는 miRNA-질병 연관 예측과 같은 다른 링크 예측 문제에 적용될 수 있습니다.

관련 보도: https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335

위 내용은 효율적이고 정확한 정저우 대학교 팀은 약물-표적 상호 작용을 식별하는 새로운 AI 도구를 개발합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!