论文笔记Predicting Drug−Target Interaction Using a Novel Graph NeuralNetwork with 3D Structure-Embedded

最新推荐文章于 2023-11-13 16:14:27 发布

Fiona_Dsy

最新推荐文章于 2023-11-13 16:14:27 发布

阅读量380

点赞数

分类专栏：文献阅读笔记文章标签：神经网络深度学习

原文链接：https://doi.org/10.1021/acs.jcim.9b00387

版权

文献阅读笔记专栏收录该内容

1 篇文章

订阅专栏

1.标题

文献标题：Predicting Drug−Target Interaction Using a Novel Graph Neural Network with 3D Structure-Embedded Graph Representation

（标题居然放不下）

文章主要内容是用图神经网络（Graph Neural Network）预测药靶相互作用（Drug−Target Interaction）

文章原文链接：https://doi.org/10.1021/acs.jcim.9b00387

摘要：We propose a novel deep learning approach for predicting drug−target interaction using a graph neural network. We introduce a distance-aware graph attention algorithm to differentiate various types of intermolecular interactions. Furthermore, we extract the graph feature of intermolecular interactions directly from the 3D structural information on the protein−ligand binding pose. Thus, the model can learn key features for accurate predictions of drug−target interaction rather than just memorize certain patterns of ligand molecules. As a result, our model shows better performance than docking and other deep learning methods for both virtual screening (AUROC of 0.968 for the DUD-E test set) and pose prediction (AUROC of 0.935 for the PDBbind test set). In addition, it can reproduce the natural population distribution of active molecules and inactive molecules.

翻译：我们提出了一种新颖的深度学习方法，用于使用图神经网络预测药物 - 靶标相互作用。我们引入了一种距离感知图注意算法来区分各种类型的分子间相互作用。此外，我们直接从蛋白质 - 配体结合姿势的3D结构信息中提取分子间相互作用的图形特征。因此，该模型可以学习关键特征，以准确预测药物 - 靶标相互作用，而不仅仅是记住配体分子的某些模式。因此，我们的模型在虚拟筛选（virtual screening）（DUD-E测试集的AUROC为0.968）和姿态预测（pose prediction）（PDBbind测试集的AUROC为0.935）方面表现出比分子对接和其他深度学习方法更好的性能。此外，它还可以再现活性分子和非活性分子的自然种群分布。

虚拟筛选（virtual screening）和姿态预测（pose prediction），后面这个名词是否翻译有误？姿态预测是什么？

pose指分子构象，应该是小分子（结合）构想预测，pose prediction 指小分子和蛋白质结合构想预测。

再现活性分子和非活性分子的自然种群分布：指可以重现活性分子和非活性分子的（活性）空间分部特征。

空间分布特征：对于一个靶分子，全体小分子的活性在结构空间的分布，比如哪个（分子）结构空间是高活性，哪个结构空间是低活性，比如在一个三维的结构空间中，左上角是高活性，右下角是低活性。结构决定活性。