DLM-DTI包括三个模块,即药物序列编码器(ChemBERTa)、靶标序列编码器(ProtBERT)和一个是否相互作用的预测头。为了减少计算资源的开销,作者采用了一种基于提示的训练方法,其中靶标序列编码器中包含一个教师模型和一个学生模型,且固定教师模型的参数仅更新学生模型的参数,并在训练和推理之前缓存教师模型的输出,该策略可...
ZeroBind 提出了一种新颖的药物-靶点相互作用（DTI）预测方法，尤其在泛化到未见过的蛋白质和药物方面，展现出显著的创新性。将元学习与图神经网络（GNNs）结合，并辅以弱监督子图信息瓶颈（SIB）模块用于潜在结合口袋的识别。该框架在零样本和少样本场景中的有效性，增强了其在新兴疾病的药物发现中的实际应用能力。缺...
MINN-DTI还通过赋予对药物和靶标相互作用贡献更大的氨基酸和原子更大的权重，提供了良好的解释性。背景介绍 在药物的发现和设计中，验证药物是否与特定靶点相互作用是证明药物有效性的关键步骤。由于大规模的体外和体内实验成本高、耗时长，药物靶点相互作用(DTI)预测的计算方法越来越受到重视。然而，传统的计算方法有...
传统的药物发现过程通常耗时、耗力且昂贵。近年来，基于深度学习的虚拟筛选和药物-靶标相互作用（DTI）预测模型已经取得了令人瞩目的成果。然而，这些深度学习模型通常需要大量的训练数据，而对于许多目标蛋白质或蛋白质家族来说，数据不足，因此无法为这些蛋白质类别构建可用的预测模型。图1展示了ChEMBL_29数据库中生物...
使用传统的方法来确定药物和靶标之间是否发生相互作用,耗资高且费时。因此,将机器学习和深度学习算法,应用于药物靶标相互作用预测已经成为当前研究的热点之一。机器学习和深度学习算法在药物靶标相互预测中的优势主要有以下几点。算法能够处理大规模和高维度的生物数据,包括药物结构信息、蛋白质序列和基因表达数据等。且...
随着人工智能技术迅猛发展及大规模的生物医学数据的涌现，基于深度学习的药物-靶标相互作用预测模型相较于传统的分子对接的计算方法展现出了明显的优势。该模型需要引入多种异质数据，包括药物-靶标、药物-疾病和药物-药物之间的相互作用，由此形成了一个复杂的生物网络，其中节点代表药物和靶标，边表示它们之间的相互...
近日,上海交通大学电子信息与电气工程学院自动化系潘小勇副教授团队在《Nature Communication》(自然-通讯)上以“ZeroBind: A protein-specific zero-shot predictor with subgraph matching for drug-target interactions”(基于子图匹配的蛋白特异性零样...
KGE_NFM在基于知识图谱的信息表征基础上,结合推荐系统方法—神经因子分解机(NFM)进行药物靶标相互作用预测,有效去除了复杂生物网络中的噪声,并整合了药物和蛋白结构信息的传统表征方式,进一步保证了该方法在真实场景下的高精度和高稳定性。 1.研究背景 药物靶标之间的相互作用是药物发现的一个重要研究领域,在药物虚拟...
作者提出了一种Transformer及注意力网络的方法来预测药物靶标相互作用。如图1所示，首先，构建了一个包含四种节点类型的异质生物信息学网络：药物、靶点、疾病和副作用。然后，依次使用Transformer及注意力网络，将生物网络的结构及语义信息编码为药物和靶标的低维潜在嵌入。其中元路径实例Transformer对元路径实例进行内部聚合...
在本研究中,我们提出了一种新方法,采用多视角相似网络融合策略和深度交互注意机制来预测药物-靶标相互作用(MIDTI)。首先,MIDTI构建了药物和靶标的多视角相似网络,并以无监督的方式有效地整合这些相似网络。然后,MIDTI同时从多种类型的网络中获取药物和靶标的嵌入。在此之后,MIDTI采用深度交互注意机制,利用已知的DTI...