Re01：NerLTR-DTA: drug–target binding affinity prediction based on neighbor relationship and learning

已于 2023-05-02 10:15:33 修改
阅读量892 收藏 3
点赞数 2
分类专栏： 论文精读笔记 文章标签： 算法 机器学习 人工智能 数据挖掘 生物信息
于 2022-10-23 17:30:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45955883/article/details/127449807
版权

NerLTR-DTA: drug–target binding affinity prediction based on neighbor relationship and learning to rank

药靶相互作用预测一直被看作是一个二分类问题，即预测给定的药靶对直接是否存在边。亲和力值反映了药靶对直接相互作用的强度，目前大多数的预测方法都存在一定的挑战：（1）许多方法只讨论和应用了一个场景，注意力放在了药物再利用但忽略了新药物/靶标的发现；（2）许多方法不考虑药靶蛋白质（药物）的优先顺序。

在这项研究中，提出了一个NerLTR-DTA的模型，他通过利用邻居关系的相似性和共享性来提取特征，并且应用带有回归特性的排序框架来预测亲和力值和查询药物的靶标对的优先顺序。值得一提的是，该模型能够应用到不同的场景当中，包括新药物和靶标的发现。

模型项目地址：https://github.com/RUXIAOQING964914140/NerLTR-DTA

目录

引言

作者在引言部分论述了目前在药靶预测方面其他人做的一些工作，以及之前所提出的一些模型、技术或者方法；最后，作者总结前人的工作：许多现有的方法只能预测药物和蛋白质之间缺失的关系，其中一部分药物-靶标对信息还是已知的；他们没有注意到那些不存在相互作用信息的药靶对；而且，根据相互作用强度对候选药物进行排序，有助于选择少量有前途的药物-靶标对。

在这项研究中，提出了一个模型：NerLtr-DTA，首先，基于邻居药物节点（和当前药物节点之间存在确定的相似性和共享性的节点）信息提取特征；然后，将这些特征输入到LTR算法（Learn to rank）中，利用query和document（key）一对多的关系，通过调整q和d的类型来应用到不同的场景。

药物再利用、蛋白质新功能预测、新药物发现和新靶点发现

数据集

Davis et al. (2011) and KIBA (Tang et al.,2014) datasets,
在这里插入图片描述

数据预处理：（1）对于KIBA数据集中的亲和力值，首先所有值取反，然后将绝对值最小的值和每个负值相加。（这一步我是没明白为啥这样处理，后来作者说这是为了便于操作和比较……）
（2）对于Davis数据集中的亲和力值，按照以下公式变换：在这里插入图片描述

模型结构

这张图在论文中就高糊，查了也没找到论文中的原图，将就着看吧，大概能看到出来整个流程的。
S1.数据的收集和处理——>S2.数据集的划分——>S3.特征提取——>药靶信息表示——>Learn to rank——>S4. 模型训练——>ranking model——>预测结果（排序列表和预测xxx 看不清了……）
S1.数据的收集和处理——>S2.数据集的划分——>S3.特征提取——>药靶信息表示——>Learn to rank——>S5. 模型测试——>ranking model——>预测结果（排序列表和预测xxx 看不清了……）
在这里插入图片描述

特征工程

5种类型的关联被用于药物和蛋白质的特征提取，包括：药物-药物相似性、药物-药物共享性、蛋白质-蛋白质相似性、蛋白质-蛋白质共享性和药物-蛋白质亲和力。

基于以上五种类型，提出了自关联特征（SAF）和邻近关联特征（AAF）

自关联特征

SAF来源于物体（药物或靶标）本身相关的相似性和亲和性。
在这里插入图片描述

邻近关联特征

AAF基于两种假设：（1）相似的药物有着相似的靶向蛋白质，反之亦然。（2）药物ds可以与一个新的靶点结合，与ds共享多个靶点的药物da很可能也可以与那个新的靶点结合。

我们利用k个与目标（药物或目标）具有高相似性和高共享性的邻居的ASAF提取AAF。此外，AAF被分为一般AAF（GAAF）和附加AAF (AAAF ).

GAAF：对于药物i（或靶标j），我们首先选择一组与药物i（或靶标j）的相似性或共享性大于规定的阈值的药物（或靶标），然后将其ASAF连接起来 将一组药物（或靶标）作为初始向量，最后将初始向量中元素的最小值、最大值、上四分位数、中位数、下四分位数、平均值和模式作为药物i（或靶标j）的GAAF。

AAAF：我们将25个额外邻居的ASAF连接为AAAF。图2d描述了另外25个邻居的选择过程。对于药物i（或靶标j），我们首先确定最多的前5个si milar药物（或靶点），这5种药物（或靶点）以O1-O5为代表，然后分别获得与O1-O5最相似的前5种药物（或靶点）。因此，我们得到了25个额外的邻居o f药物i（或目标j）。值得注意的是，药物i（或靶标j）并不包括在每种情况中。

Learning to rank (LTR)

参考资源：
排序学习（Learning to rank）综述
GBDT（MART） 迭代决策树详解‘’

本研究中作者利用了pointwise算法中的MART模型，MART作为一种具有回归属性的点态算法，不仅可以对每个查询下的相关样本进行排序，还可以尽可能地拟合预测值和实际值。

输入到LTR模型的数据格式为[affinity, qid:id, feature]，每个属性的含义和表示如下：
affinity：药靶对的亲和力值；在这个研究中，K_d, K_i, IC_50用于亲和力值。
qid:id ：表示查询id和与之相关的所有药物（蛋白质）；例如,药靶对（Dn-T1，Dn-T2, Dn-T3,…,Dn-Tx）表示药物Dn所有的靶标对，qid：n。
featrue：是药靶的特征，我们将药靶对SAF和AAF拼接之后表示feature。

评判标准

作者选择了Concordance Index (CI), Mean Square Error (MSE) and r2_m(test)来衡量NerLTR-DTA模型的表现

  1. CI的计算与含义
    CI测量两个随机药物靶对的预测顺序是否与它们的真实顺序相同，其中预测顺序和真实顺序是通过比较预测和真实仿射来确定的。
    在这里插入图片描述
    其中M是一个标准化常数。yi和yj分别表示较大和较小的亲和度值。pi和pj分别表示yi和yj的预测值。

  2. MSE的计算公式和含义
    在这里插入图片描述
    其中，P和Y分别包含n个数据点的预测值和实值。Pi和Yi分别表示第i个样本的预测值和实值。

DTA：drug–target binding affinity（药靶亲和力）

  1. r2_m(test)的计算公式和含义
    r2_m(test)是评价外部预测性能和决定QSAR模型可接受性的外部验证参数。它决定了真实值与测试样本的预测值的偏差程度。

当测试集的r2_m(test)值大于0.5时，可以确定一个可接受的、稳健的、非偶然获得的模型。
在这里插入图片描述
其中，r2为相关系数的平方，r2 0为截距为零的相关系数的平方。

实验与结果

多应用场景的设置策略

在这项研究中，通过设置不同的查询和抽样来应用到不同的场景中，根据对查询id的设置和训练集测试集的划分，可被分为两种策略：（1）能够预测与已知靶标（药物）结合的药物（靶标）的场景，包括药物的再利用和蛋白质新功能的预测。（2）能够预测药物（靶标）与新靶标（药物）结合的场景，包括新药物和新靶标的发现。

以上两种策略所对应的数据集的划分如下图：

在这里插入图片描述
在这项研究中，在训练集中出现的药物和靶点被称为已知药物和已知靶点。否则，就被称为新药和新目标。

药物再利用：它的目的是识别已知药物潜在未发现的靶点，因此每种药物都可以被设置成一个查询。

后面就是通过设置不同的场景得到的不同的模型在不同参数下的实验数据……这里就不在过分展示和解释了，原文中都有！！！！

结论

通过和不同的模型进行比较，NerLTR-DTA有着如下的优点：
（1）模型中利用了邻居信息，使得能够更加高效的描述药靶对信息，对构造高表现力的模型十分重要
（2）模型通过设置不同query和数据集不同的划分方式来实现多场景应用，排序框架对新药物和靶标的发现十分适用。
（3）该模型是基于MART算法，一种带有回归特性的排序框架。这不仅能精准地预测具体的亲和力值，同时也能提供蛋白质的优先顺序

Yozu_Roo
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
DeepDTA_Deep Drug-Target Binding Affinity Prediction2018.pdf
03-20
DTI预测领域的高被引lw，发表于2018年. Abstract Motivation The identification of novel drug–target (DT) interactions is a substantial part of the drug discovery process. Most of the computational methods that have been proposed to predict DT interactions have focused on binary classification, where the goal is to determine whether a DT pair interacts or not. However, protein–ligand interactions assume a continuum of binding strength values, also called binding affinity and predicting this value still remains a challenge. The increase in the affinity data available in DT knowledge-bases allows the use of advanced learning techniques such as deep learning architectures in the prediction of binding affinities. In this study, we propose a deep-learning based model that uses only sequence information of both targets and drugs to predict DT interaction binding affinities. The few studies that focus on DT binding affinity prediction use either 3D structures of protein–ligand complexes or 2D features of compounds. One novel approach used in this work is the modeling of protein sequences and compound 1D representations with convolutional neural networks (CNNs).
Formation-DTA-REST:编队-DTA-REST
07-18
训练-DTA-REST 训练-DTA-REST Bankorest 是要考虑的文件。 工作正在敲定。
图卷积文献阅读1
qq_39917739的博客
08-09 1545
论文名称：MGraphDTA: deep multiscale graph neural network for explainable drug–target binding affinity prediction。
Ruby与kiba的初学者etl教程
weixin_26739079的博客
10-12 202
动手教程(Hands-on Tutorials) I recently migrated data between 2 different apps which each had their own database.我最近在2个不同的应用程序之间迁移了数据，每个应用程序都有各自的数据库。 One app was written in Ruby on Rails and consumed Gith...
2018-Bioinformatics-DeepDTA: deep drug-target binding affinity prediction
发呆的比目鱼的博客
03-14 292
2018-Bioinformatics-DeepDTA: deep drug-target binding affinity prediction
2021 RSC | Drug–target affinity prediction using graph neural network and contact maps
发呆的比目鱼的博客
07-03 1221
2021 RSC | Drug–target affinity prediction using graph neural network and contact maps
Deep drug-target binding affinity prediction with multiple attention blocks论文解读（一）2021SC@SDUSC
chy931088287的博客
12-28 975
2021SC@SDUSC 论文解读： 摘要： DTI预测背景： 药物靶间相互作用(DTI)预测由于其在药物发现过程中的重要地位而受到越来越多的关注。许多研究引入计算模型，将DTI预测作为回归任务，直接预测药物靶对的结合亲和性。 现有研究的缺陷与作者提出的模型： 然而，现有的研究在编码药物化合物时忽略了原子之间的本质相关性，仅仅通过连接来模拟药物靶对的相互作用。基于这些观察，在本研究中，我们提出了一个端到端的模型与多个注意块来预测药物靶对的结合亲和性得分。 作者模型的效果： 我们提出的模型提供了通过关系感知自
2021SC@SDUSC软件工程应用与实践05----药物与蛋白质的图表示
m0_55985367的博客
11-04 317
2021SC@SDUSC 一，导语 近年来，随着图结构数据的出现，许多方法都集中在图的表示和学习上，因此基于图的研究取得了很大进展。 与网格状结构数据相比，图结构数据通常处于不规则域中，这使得更难以准确地表示图的特征。 二，参考文献 Drug-target interaction prediction using multi-head self-attention and graph attention network PconsC4: Fast, accurate and hassle..
论文笔记：DeepDTA: deep drug–target binding affinity prediction Hakime
一个自律的人会想方设法阻止自己的懒惰
11-13 3454
DeepDAT 动机：药物靶标对相互作用的研究是新药物过程的重要过程，此前大多数研究集中于二分类，即药物-靶标是是相互作用， 但是蛋白质配体的结合亲和力是连续值，预测该值是一个难题。 之前也少数研究，是基于蛋白质-配体复合物的3D就或化合物的2D特征 方法：本实验采用蛋白质和化合物的原始一维序列进行基于CNN的建模进行绑定亲和力的预测 采用回归模型，能够预测相互作用强度的近似值× 蛋白质-配体评分：× 非机器学习方法：随机森林 --->失败，推测原因，...
论文复现：DeepDTA: deep drug–target binding affinity prediction Hakime
一个自律的人会想方设法阻止自己的懒惰
11-15 3080
论文复现，只实现模型及5-fold交叉验证，论文模型，未实现参数优化以及baseline对比。 数据读入： 模型： 文件结构： datahelper.py 改自官方发布的代码 import numpy as np import json import pickle import math from collections import OrderedDict # from keras.preprocessing.sequence import pad_sequences ##..
KissAnime-DTA:KissAnime-DTA 是一个用户脚本，可让您显示 KissAnime 上所有剧集的下载链接，以便您可以使用 DownThemAll！ 或类似的工具来下载它们
06-01
KissAnime-DTA KissAnime-DTA 是一个用户脚本，可让您显示 KissAnime 上所有剧集的下载链接，以便您可以使用 DownThemAll！ 或类似的工具来下载它们。 下载 当前版本：1.0 标准：
stata命令：GWT转dta 或者GAL转dta
06-02
stata命令：GWT转dta 或者GAL转dta
DTA100:ARRIS DTA100数字传输适配器-开源
05-07
ARRIS DTA100数字传输适配器为服务提供商提供了一种具有成本效益的方式，以实现全数字网络的优势。 DTA100使视频服务用户即使连接到全数字有线电视网络，也可以继续观看其模拟电视，这使服务提供商可以恢复模拟带宽...
Formation-DTA-JPA:学习JPA
05-22
培训-DTA-JPA 学习JPA 这笔存款与JPA课程相关。 TP是在BankoNet应用程序上
C#调用RabbitMQ实现消息队列
猫敷雪
05-23 3780
文章目录前言消息队列准备工作安装rabbitmq-serverRabbitMQ应用KibaRabbitMQSendKibaRabbitMQReceived服务器端应用安装Erlang环境安装RabbitMQ添加用户和权限RabbitMQ的简单指令参考文献 前言 前几天在做日志收集，用到了RabbitMQ，它作为一种中间件，需要对其进行下载，安装，和配置。 消息队列 什么是消息队列？，我们这样想一下，用户访问网站，最终是要将数据以HTTP的协议的方式，通过网络传输到主机的某个端口上的。 那么，接收数据的方式是
AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks
xiao_muyu的博客
01-25 2235
GraphDTA：用图神经网络预测药物-靶点结合亲和力 论文题目 GraphDTA: Predicting drug–target binding affinity with graph neural networks 论文出自 bioRxiv preprint，2020 使用图神经网络来预测药物与靶标的亲和力。将药物表示为分子图，因此该模型可以直接捕获原子间的键。 文章目录GraphDTA：用图神经网络预测药物-靶点结合亲和力一、**GraphDTA模型图：**二、实验结果？ 一、Gr
Deep drug-target binding affinity prediction with multiple attention blocks论文解读（二）2021SC@SDUSC
chy931088287的博客
12-28 810
2021SC@SDUSC 数据集 然后是对基准数据集的介绍，KIBA和DAVIS 使用CI和r2m度量标准来衡量所提出的模型和基准模型的性能。 对于Davis和KIBA数据集中蛋白质和药物的输入，我们采用了DeepDTA方法，通过字典将药物和蛋白质序列的smile数字化到一个固定的最大长度。 deepDTA deepDTA论文笔记：csdn：https://blog.csdn.net/qq_40311018/article/details/109672553 实验设置 作者在基准数据集上评估了MATT
[Easy] leetcode-35 搜索插入位置
最新发布
Sofine
05-09 84
给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。利用二分查找可以更快的找到，只需要修改返回值即可，注意获取mid的计算方法考虑了溢出。注意到是按顺序排列的数组，那么按顺序遍历，如果找到，则跳出循环返回索引即可。如果找到最后还没找到，则返回数组长度索引值即为插入位置。
LeetCode 35.搜索插入位置
tus00000的博客
05-08 180
给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。输入: nums = [1,3,5,6], target = 5。输入: nums = [1,3,5,6], target = 2。输入: nums = [1,3,5,6], target = 7。此算法时间复杂度为O(logn)，空间复杂度为O(1)。请必须使用时间复杂度为 O(log n) 的算法。nums 为 无重复元素 的 升序 排列数组。
一定要cd命令切换到人类基因组的目录下吗，可以在hisat2的命令里把hisat2 --dta -q -x genome改成hisat2 --dta -q -x /home/Reference_database/homo_sapiens/grch38/genome/genome吗
06-06
hisat2 --dta -q -x /home/Reference_database/homo_sapiens/grch38/genome/genome -p 12 -U /1/20230314_Jinan_Respiratory_tract/001_AfterQC/Part1_Ma/QL21JS702543-1R-1L-UDB-141_UDB-141/QL21JS702543-1R-1L-...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Yozu_Roo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值