药物与靶标之间的结合亲和力的预测对于药物发现至关重要。然而，现有方法的准确性仍需提高。另一方面，大多数深度学习方法只关注非共价（非键合）结合分子系统的预测，而忽略了在药物开发领域越来越受到关注的共价结合的情况。上海科技大学的研究团队提出了一种新的基于注意力的模型，称为 TEFDTA （Transformer Encoder a...
通过将药物的特征带入药物-靶标相互作用的模型,研究人员提出了一种新的深度学习模型GraphDTA,用于药物-靶标亲和力预测。GraphDTA中基于药物的SMILES作为输入,通过开源软件RDKit构建药物的分子图并提取原子特征,将该图结构数据输入到GCN层中学习药物图特征表示中的潜在模式。然后将药物-靶标亲和力(DTA)预测问题转换为回归...
麻省理工(MIT)团队开发出一种用于预测药物-靶标结合的机器学习方法——ConPLex,并将研究成果发表在美国国家科学院的院刊PNAS上“Contrastive learning in protein language space predicts interactions between drugs and protein targets”。药物发现中最重要的环节之一是对小分子进行实验筛选,以确定与蛋白质靶标的结合。...
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...
预测药物-靶标相互作用是药物发现的关键。近期,虽然基于深度学习的方法显示出强有力的性能,但是仍然存在两个挑战:如何明确地建模和学习药物和目标之间的局部相互作用以更好地预测和解释,以及如何优化新药物-目标对预测的泛化性能。 英国谢菲尔德大学(The University of Sheffield)和阿斯利康的研究人员合作开发了 DrugBAN,...
作者提出了一个药物靶标相互作用预测模型,DLM-DTI。通过对基于蛋白质序列预训练的语言模型(如ProtBERT)进行微调需要一定的计算资源开销且效率不高,因此作者采用了知识适应方法,即通过教师-学生架构同时高效地调整了一般知识和特定任务知识的权重比。DLM-DTI仅使用了25%的模型参数就可以表现出与基准模型相当的性能。不过...
“Accurate characterization of binding kinetics and allosteric mechanisms for the HSP90 chaperone inhibitors using AI-augmented integrative biophysical studies”的研究论文,报道了一种基于多种机器学习算法开发的可准确预测药物-靶标结合动力学的计算模型,应用...
研究表明，ZeroBind 在新型蛋白质和药物的药物-靶标互动（DTI）预测方面优于现有方法，并且即使是对已知少量结合配体的蛋白质进行微调后，其表现仍然出色。数据集生成与扩充 BindingDB12 数据库 来源：BindingDB12，一个公开数据库，收录了超过 260 万个蛋白质-药物结合亲和力。涵盖范围：包括超过 8000 个蛋白质靶标...
但是，根据诱导拟合理论，相互作用的药物分子和靶标是相互影响的，因此，在学习表示用于DTI预测的药物和靶点时，考虑它们之间的相互影响是自然和合理的。模型设计 基于以上的认识，作者对现有DTI预测模型存在的上述缺陷，提出了一种新的DTI预测模型。在该模型中，蛋白质的二维成对距离图和分子图分别作为靶点和药物的输入...
麻省理工学院的研究人员提出了 ConPLex，一种用于预测药物-靶标结合的机器学习方法。它通过使用预训练的蛋白质语言模型在多种类型的靶标上实现了最优的准确性。该方法将蛋白质和潜在药物分子共同定位在共享特征空间中，同时学习将真实药物与类似的非结合「诱饵」分子进行对比。ConPLex 速度极快，这使其能够快速筛选药物...