药物靶标相互作用drug-target interactions（DTI）论文模型创新点汇总

已于 2024-09-13 13:00:04 修改
阅读量2.2k 收藏 29
点赞数 30
文章标签： 深度学习
于 2024-09-13 13:00:03 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_46370474/article/details/142102991
版权

药物靶标相互作用drug-target interactions（DTI）论文模型创新点汇总

一、A pseudo-label supervised graph fusion attention network for drug-target interaction prediction

在这里插入图片描述
主要贡献：

  • 创新的图表示方法：提出了一种新的针对药物-靶标对（DTP）网络的图表示方法，该方法利用节点特征之间的距离来构建远邻图。这种方法通过连接远距离的节点，有效地捕获它们之间的差异性，并丰富了从拓扑图中获得的信息，从而为DTP网络提供了更全面的表示。
  • 自适应图设计：在PSF-DTI中设计了一种带有可优化邻接矩阵的自适应图。这种动态图结构克服了静态图在分类任务中的局限性。此外，通过整合注意力机制来融合来自三种不同图表示的特征，从而得到更精确的DTP特征信息。
  • 伪标签分配机制：将伪标签分配机制引入DTI预测任务，并提出了一种独特的伪标签分配方法。利用未标记数据辅助模型训练，显著增强了模型在面对稀缺DTI标记数据时的泛化能力。

模型：

  • （A）采用重新开始随机游走（RWR）方法和去噪自动编码器（DAE）从药物和靶标的相似性矩阵中提取低维特征。通过结合这些特征，生成初始表示DTP，从而构建DTP网络的拓扑图、远邻图和自适应图。
  • （B）该算法利用3个GCN分别处理拓扑图、远邻图和自适应图，并利用注意机制进行信息整合，得到DTP节点的最终表示图。
  • （C）基于DTP之间的特征相似性将伪标签分配给未标记的DTP节点。损失函数考虑了标记样本的损失和伪标记监督的损失。
    在这里插入图片描述
    在这里插入图片描述
    DAE结构图。包括向输入数据添加噪声的过程、DAE内的编码和解码步骤以及低维特征的提取。

二、Interpretable bilinear attention network with domain adaptation improves drug-target prediction

在这里插入图片描述
主要贡献：

  • 双线性注意力网络（Bilinear Attention Network, BAN）：引入双线性注意力机制来显式学习药物和靶标之间的局部相互作用。这种机制允许模型在药物分子的不同部分（如原子）和靶标蛋白质的不同部分（如氨基酸残基）之间捕捉复杂的相互作用，从而提高预测的准确性和可解释性。
  • 领域适应（Domain Adaptation）：通过条件领域对抗学习（Conditional Adversarial Domain Adaptation, CDAN）来对齐不同分布之间的数据，以提高模型在新药物-靶标对上的泛化能力。这种方法特别适用于处理训练数据和测试数据来自不同分布的情况，有助于模型在实际应用中更好地适应未知数据。
    模型：
    在这里插入图片描述

三、A Cross-Field Fusion Strategy for Drug–Target Interaction Prediction

主要贡献：

  • 提出利用双通道网络结构进行跨领域监督学习。
  • 通过融合局部和全局蛋白质信息来提高对新药物和靶标的预测准确性。

模型：

  • 双通道网络结构：模型由两个相似的通道组成，分别是药物-靶标相互作用（DTI）通道和蛋白质-蛋白质相互作用（PPI）通道。这两个通道共享蛋白质编码器，以整合跨领域的蛋白质信息。
    Transformer编码器：
  • 蛋白质序列编码：模型使用Transformer编码器来处理输入的蛋白质氨基酸序列。每个氨基酸被初始化为一个可学习的嵌入向量，然后通过Transformer编码器将其转换为一个高维特征矩阵。（获取更多蛋白质信息）

在这里插入图片描述

四、MMDG-DTI: Drug–target interaction prediction via multimodal feature fusion and domain generalization

在这里插入图片描述
创新点：

  • 提出了基于大型语言模型的文本特征提取器，用于蛋白质和药物特征表示，增强了泛化能力。
  • 提出了基于混合GNN的结构特征提取器，补充了拓扑特征。
  • 设计了一种创新的分类器，融合了文本和结构特征，并通过领域泛化减轻了过拟合问题。

模型：
它有五个主要组成部分：文本特征提取器、结构特征提取器、分类器和两个领域泛化模块，即领域对抗训练（DAT）和对比学习
在这里插入图片描述
文本特征提取器：利用预训练的大型语言模型（LLMs），例如BERT，来处理药物和靶标蛋白的文本表示。
结构特征提取器：基于混合图神经网络（GNN）构建，用于从药物的分子结构和靶标蛋白的序列中提取结构特征。
分类器：用于融合基于LLM的文本特征和基于GNN的结构特征，以进行更全面的DTI预测。通过领域泛化技术减轻模型对特定领域信息的过度拟合问题。
领域对抗训练（DAT）：一种领域泛化技术，通过对抗性训练减少不同领域数据分布之间的差异。通过最小化领域分类器对源域和目标域数据的区分能力，提高模型在新领域的泛化能力。
对比学习：另一种领域泛化技术，特别适用于单源领域泛化场景，不需要领域标签。通过对比正负样本对的特征表示，增强模型对领域不变特征的识别能力，从而提高跨域泛化性能。

五、BINDTI: A bi-directional Intention network for drug-target interaction identification based on attention mechanisms

在这里插入图片描述
创新点：

  • 通过卷积和自注意力机制编码蛋白质特征。
  • 利用双向意图网络融合药物和靶点特征。
  • 双向意图网络的作用：药物和靶标之间的相互作用不仅取决于药物如何影响靶标，还取决于靶标如何影响药物。这种双向的视角有助于更全面地理解两者之间的复杂关系。

模型：

  • 药物特征编码：
    药物的SMILES字符串被转换成2D分子图。
    使用图卷积网络（GCN）对分子图进行编码，提取药物的特征。
  • 双向意图网络：
    该网络包含两个方向的意图模块，分别用于药物到靶标和靶标到药物的特征融合。
    多头注意力机制和意图机制被用来加强特征的表示能力。
  • 特征融合：
    药物和靶标的特征通过双向意图网络进行融合，形成综合了双向信息的交互特征。

在这里插入图片描述

六、GraphormerDTI: A graph transformer-based approach for drug-target interaction prediction

在这里插入图片描述
改进目标：
现有的DTI识别机器学习方法未能充分利用候选分子的拓扑结构信息，提出新方法提取分子信息。

创新点：

  • 图变换器（Graph Transformer）网络的应用：
    GraphormerDTI 利用图变换器神经网络来构建药物分子的表示。这种网络通过迭代的基于 Transformer 的消息传递机制，将分子图嵌入到向量格式的表示中，从而编码分子的结构特征。

  • 结构特征编码：
    模型通过节点中心性编码、节点空间编码和边缘编码来捕捉药物分子的拓扑结构信息。这些编码方式有助于模型更好地理解分子中不同原子的相对重要性、原子之间的结构距离以及化学键的类型。

模型：
GraphormerDTI模型由三个主要部分组成：药物表示学习组件、蛋白质表示学习组件和药物-蛋白质相互作用学习组件。

  • 模型的输入包括药物分子的分子图和目标蛋白的氨基酸序列。
  • 模型通过12层图变换器（Graph Transformer）和3层1D-CNN来提取药物和蛋白质的特征。
  • 然后，使用注意力层来编码药物和蛋白质特征之间的关系，并将得到的决策向量输入到全连接神经网络（FCNN）以预测药物分子与目标蛋白之间的相互作用。
    在这里插入图片描述

可采用方法：
用于提取分子信息的十二层多头自注意力以及使用的编码方案。

七、GSRF‑DTI: a framework for drug‑target interaction prediction based on a drug‑target pair network and representation learning on a large graph

在这里插入图片描述
创新点：

  • 整合多种生物实体的关联信息：
    框架不仅考虑了药物和靶标的相互作用，还整合了疾病、药物副作用和药物-靶标相互作用等七种类型的网络信息，以提高预测的准确性。

  • GraphSAGE算法的应用：
    GSRF-DTI 使用 GraphSAGE 算法在大规模图网络上进行表示学习，这使得模型能够在训练过程中直接计算出看不见的数据，而无需重新学习整个图。

  • 随机森林（RF）分类器：
    通过将 GraphSAGE 学习到的潜在网络特征输入到随机森林分类器中，GSRF-DTI 能够预测药物和靶标之间的相互作用。

模型：

  • a基于药物/靶标相关网络的相似性计算，构建药物/靶标相似性矩阵，并将相似性矩阵整合为药物/靶标齐次矩阵。
  • b将Deepwalk算法应用于齐次矩阵以生成药物和靶标的特征FD和FP嵌入。
  • c建立药物-目标配对网络。网络节点的初始特征FDTP由相应的FD和FP直接连接组成，节点的标签LDTP根据已知的药物-蛋白质相互作用网络确定。然后，GSRF-DTI利用GraphSAGE算法获得新的药靶对节点FDTP的特征表示。最后，用随机森林作为分类器预测药物-靶点相互作用
    在这里插入图片描述
行行行o
关注
机器学习 阴性集的选择 —— drug-target interactions （DTIs）
wangprince2017
02-22 1354
文章目录 前言 一、已存在的阴性集选择方法 1、未知的DTIs 2. wang et al.的两种策略 2.1 策略一 2.2 策略二 3. 基于guilt-by-association反向选择 4. OCSVM： 基于阳性推测阴性集 5. 结合guilt-by-association逆否命题和OCSVM 二. 文献中阴性集选择 1. 药物对的阴性集 2. 药靶阴性集 前言 在机器学习中，阴性集的选择 会影响结果的准确性。 高度可.
药物靶标相互作用（五）
qq_46080349的博客
04-17 920
CPInformer用于高效、鲁棒的复合蛋白质相互作用预测 2023.1 三区问题：使用GNN、GCN等不足以区分结构相同的药物分子，通过他们得到的特征比较相似，但是与蛋白质作用时候的CPI是完全不同的。TransformerCPI 中过度自注意力机制的堆叠显着提高了模型参数，从而降低了模型在训练和测试阶段的效率。
Nat. Mach. Intell 2023 | DrugBAN+：域自适应的可解释双线性插值网络改进药物-靶标预测(DTI)
justBeHerHero
08-30 1308
Nat. Mach. Intell 2023 | DrugBAN+：域自适应的可解释双线性插值网络改进药物-靶标预测
关于drug-target interaction
白景屹的博客
09-27 1571
对于药物靶标预测（drug-target interaction），上面两个任务都能节约时间成本，促进药物发现。深度学习在药物再利用和虚拟筛选方面表现出强大的性能。这两个任务都依赖于一项基本任务的准确和快速预测：药物-靶标相互作用预测。。给定一个强大的 DTI 模型，它能够泛化一个新的看不见的数据集，然后我们可以扩展到药物再利用和筛选（repurposing or screening）。
机器学习阴性集的选择 —— drug-target interactions （DTIs）
weixin_51719414的博客
12-16 1918
文章目录前言一、以前阴性集的选择二、阴性集的其他选择方法1. [wang et al](https://pubmed.ncbi.nlm.nih.gov/24662273/).的两种策略1.1 策略一1.2 策略二2. 文献中阴性集选择2.1 药物对的阴性集2.2 药靶阴性集总结 前言 在机器学习中，阴性集的选择会影响结果的准确性。 一、以前阴性集的选择 在drug-target interaction的预测模型中，通常把已知的DIT当作阳性集，其他当作阴性集。 缺点：不准确的阴性集选择会大大影响结果的
DTI | Drug-target interaction | 基础知识
忽逢桃林的博客
01-15 1520
Drug Targets Interactions （DTI）基础概念 文章转自微信公众号【机器学习炼丹术】 作者：陈亦新（已授权） 联系方式: 微信cyx645016617 欢迎交流，共同进步 第一次接触蛋白质结构预测，记录一下笔记。 1 基础概念学习 好的学习视频推荐： https://www.youtube.com/watch?v=u49k72rUdyc 1.1 Drug Targets 药物靶点 Drug targets是蛋白质 蛋白质是大型生物分子，由很多的氨基酸amino acid.
药物靶标相互作用（二）
qq_46080349的博客
10-17 1199
（1）蛋白质：提取蛋白质的结合位点之后，将它们表示为单独的图，其中每个原子都是一个节点，原子之间的连接是图中的边。（3）图注意力嵌入：使用拓扑自适应图CNN（TAGCN）（其输出是节点特征向量的串联），根据论文Gated graph sequence neural networks提出的方法对蛋白质和药物的图进行池化、提取嵌入操作（使用零填充将每个矩阵重塑为数据集中最大数量的结合口袋，并且蛋白质图的hops是4（代码里是2），药物图的hops是2）都是五次卷积。，并结合邻居节点的权重来更新节点的特征表示。
生物信息学|DeepPurpose:药物靶标相互作用预测的深度学习库
热门推荐
ShenggengLin的博客
12-09 1万+
本篇推文引自：Novel deep learning model for more accurate prediction of drug-drug interaction effects 1. 摘要     背景：准确地预测药物-药物相互作用(DDIs)的影响对于更安全更有效的药物联合处方很重要。许多预测DDIs效应的计算方法已经被提出，目的是减少在体内或体外识别这些相互作用的难度，但预测性能仍有改进的空间。     结果：在本研究中，我们提出了一种新的深度学习模型来更准确地预测DDIs的效果。提出的模型
药物靶标相互作用（三）
qq_46080349的博客
11-13 748
药物靶标相互作用
药物靶标相互作用
qq_46080349的博客
10-09 947
药物靶标相互作用
论文解读：《CoaDTI：基于多模态共同注意的药物-靶标相互作用注释框架》
ZGY9542的博客
11-20 1827
DTI的鉴定对于计算机药物发现起着至关重要的作用，其中药物是化学分子，目标是binding pockets中的蛋白质残基。作者基于端到端的深度学习框架开发了一个名为 CoaDTI 的方法，用来提高药物靶标注释的效率和可解释性。 CoaDTI 结合了共同注意机制模拟来自药物模态和蛋白质模态的相互作用信息。特别的，CoaDTI 结合了 transformer 从原始氨基酸序列中学习蛋白质表示，并结合了 GraphSAGE 从 SMILES 中提取分子图特征。
An end-to-end heterogeneous graph representation learning-based framework for drug–target interactio
垃圾就应该待在垃圾桶里的博客
03-16 1975
An end-to-end heterogeneous graph representation learning-based framework for drug–target interaction prediction（一种端到端异构图表示学习的基于药物-靶标相互作用预测的框架）由西北工业大学彭老师组发在BIB上的一篇论文 文章目录Abstract一、Introduction二、MethodologyConstruct a heterogeneous network2.Heterogeneous n
Identifying drug–target interactions based on graph convolutional network and deep neural network 论文
垃圾就应该待在垃圾桶里的博客
09-22 2000
Identifying drug–target interactions based on graph convolutional network and deep neural network 文章目录摘要一、引言二、方法1.Construction of the DPP network2.GCN-based feature representation3.Classification by DNN三、结果1.Datasets2.Experiment setup四、结论五、个人理解 摘要 新药-靶向相
Graph Convolutional Neural Networks for Predicting Drug-Target Interactions
wangprince2017
02-22 1136
1. 摘要 2. 数据集 DUDE数据集改进 DUDE-chemBl负样本数据集 最大无偏数据集（MUV） 3. 图构建 pocket graph molecuar graph 4. 口袋pretraining 使用autoencoder 4.1 阶段1 自编码 编码器 解码器 4.2 阶段二自编码 4.3 模型设计 实验结果 1. baseline 2. 数据可视化 3.测试模型是否有学习到口袋信息 4...
「论文翻译」Predicting Drug-Target Interactions Using Weisfeiler-Lehman Neural Network
雨y飘零久的博客
01-10 1210
IEEE EMBS International Conference on Biomedical & Health Informatics ICBHI 2019(应该是B类) 文章目录AbstractIntroductionSimilarity IndicesPrediction MethodologyA. Problem StatementB. BG-WLNM WorkflowEx...
MolTrans: Molecular Interaction Transformer for drug–target interaction prediction
qq_45069496的博客
04-13 1329
随着大量生物医学数据和知识的收集与利用以及在许多应用领域取得巨大成功的深度学习技术的进步，药物发现过程，特别是DTI预测得到了显著增强。最近，各种深度模型在DTI预测中显示出令人鼓舞的表现。它们通常将药物和蛋白质数据作为输入，将DTI视为一个分类问题，并通过深度学习模型对输入进行预测。尽管做出了这些努力，一下挑战仍然存在：为了解决这些挑战，我们提出了一种基于 transformer 的生物启发分子数据表征方法（MolTrans）来利用大量未标记数据进行 DTI 预测。做出了以下贡献：知识启发的表征和交互建模
论文解读：《一种基于长短期记忆网络深度学习的药物靶相互作用预测方法》
ZGY9542的博客
01-03 2642
现代药物发现的关键是发现，识别和准备药物分子靶标。但是，由于通量，精度和成本的影响，传统的实验方法很难广泛用于推断这些潜在的药物-靶标相互作用（DTI）。因此，迫切需要开发有效的计算方法来验证药物与靶标之间的相互作用。作者开发了基于深度学习的DTI预测模型。蛋白质的进化特征是通过特定位置评分矩阵（PSSM）和勒让德矩阵（LM）提取的，并与药物分子的亚结构指纹相关联，以形成药物-靶对的特征向量。然后，利用稀疏主成分分析（SPCA）将药物和蛋白质的特征压缩到统一的向量空间中。最后，构建了深长短期记忆以进行预测。
Molecular Interaction Transformer for DrugTarget Interaction Prediction
weixin_44251938的博客
01-30 911
哒哒哒哒哒哒多多多多多多多多多多多多多多多多呃呃呃呃呃呃呃呃呃鹅鹅鹅鹅鹅鹅饿鹅鹅鹅饿1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111
DTIs（药物靶标关联）预测，在机器学习中的常用方法。（一）
qq_56555982的博客
07-09 3194
药物靶标关联预测（DTI）入门，一起学习吧。
在SYBYL软件中，如何操作MOLCAD模块计算分子表面并根据计算结果进行药物-靶标相互作用的初步评估？
最新发布
10-28
参考资源链接：[SYBYL教程：从基础到高级应用](https://wenku.csdn.net/doc/1xaxvc39wi?utm_source=wenku_answer2doc_content) MOLCAD模块在SYBYL软件中是一个非常有用的工具，它能够帮助我们计算分子的表面属性，包括表面积、体积以及电荷分布等，这些信息对于评估药物与靶标之间的相互作用非常重要。要想使用MOLCAD模块进行分子表面计算，首先需要打开SYBYL软件，并导入或构建出需要分析的分子结构。接着，选择MOLCAD模块中的相应功能进行计算。在这个过程中，需要注意选择合适的计算参数，如分子表面的探测半径以及电荷分布的计算方法等。计算完成后，软件将提供一系列的表面属性数据，你可以通过这些数据来分析分子的亲水性和疏水性区域，这对于理解药物与靶标的结合模式是非常有帮助的。在实际操作中，你还可以利用SYBYL的可视化工具来直观地查看分子表面的电荷分布情况，这对于进一步的药物设计和优化是非常有价值的。通过这份教程《SYBYL教程：从基础到高级应用》，你将能够全面了解如何操作MOLCAD模块，并且掌握如何基于计算结果进行药物-靶标相互作用的初步评估。这份资源不仅涵盖基础知识，还深入讲解高级应用，是学习SYBYL的理想选择。 参考资源链接：[SYBYL教程：从基础到高级应用](https://wenku.csdn.net/doc/1xaxvc39wi?utm_source=wenku_answer2doc_content)
评论
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
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