Graph Convolutional Neural Networks for Predicting Drug-Target Interactions(2019)笔记

最新推荐文章于 2023-03-13 15:15:49 发布
最新推荐文章于 2023-03-13 15:15:49 发布
阅读量807 收藏 2
点赞数 1
分类专栏： 生化医药 图神经网络 文章标签： 机器学习
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/weixin_40248634/article/details/106675499
版权

Graph Convolutional Neural Networks for Predicting Drug-Target Interactions

1. 摘要

文章通过将pocket中氨基酸当成图的节点，用图自编码（graph autoencoder）对其进行表示学习，得到固定大小的节点表示，接着用GCN对pocket和分子图分别进行卷积，合并起来后用FCN预测。这里还对DUD-E数据集进行了改进，使得其的偏差更小。

2. 数据集

DUDE数据集改进

对于一个给定的活性分子，我们计算其真实目标和所有其它dude目标之间成对的口袋相似度评分，并在训练折（fold）中识别出与真实目标的相似度低于预定义的PocketFEATURE评分阈值-1.9 25的口袋子集。我们从确定子集随机抽样50个口袋，将他们作为给定的活性配体的负口袋。

DUDE-chemBl负样本数据集

因为DUDE中的负样本与正样本的拓扑形态不像，所以这个就导致了机器学习算法会根据小分子形态去区分正例负例，为了更好的让模型学习到pocket信息，我们得使用形态相似但是却几何活性不同的分子去构建数据集。所以后面我们从chemBL中挑选形态相似的负样本加入了DUDE中。

最大无偏数据集（MUV）

用17个targets,每个targets对应30个activates和15000个decoys, 但是这些都是来自实验的数据集pubChem中的，而不是跟DUDE一样，negative没有实验支撑。

3. 图构建

pocket graph

我们挑选出有原子出现在ligand6A内的residue ，把它作为口袋残基。每个残基作为node,node 7A内视为有边。然后为了利用上pocket处的微环境，我们使用FEATURE （Characterizing the microenvironment surrounding protein sites）程序去对每个pocket node产生一个固定维数的——480维的一个特征。这个程序有参考文献，他使用6个同距同心球，对每个壳内的原子理化特征进行提取，生成80个特征。最后我们产生了6*80=480维的特征。

molecuar graph

节点为原子，键为边

4. 口袋pretraining 使用autoencoder

4.1 阶段1 自编码

编码器

对图的节点进行编码
在这里插入图片描述其中Eq(4)中的 d e g y deg_y degy​表示的是对邻域中顶点度为y 的进行操作。

解码器

重构回之前的 v n i v_{n_i} vni​​与 v x i v_{x_i} vxi​​,这里使用同一个隐层变量去恢复回两个变量
在这里插入图片描述

4.2 阶段二自编码

跟前面的编码器参数不同，这里使用独立的编码器对节点信息进行处理，将节点特征映射到一个固定大小图水平的节点嵌入

  • 编码器
    [外链图片转存中...(img-WfccvntT-159184866001120549165.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MDI0ODYzNA==,size_16,color_FFFFFF,t_70)
  • 解码器
    [外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述]议将图片上https://传(imblogsdnimg.-f/2vntT0200611120741448.png)https://img-blog.c嗎，sdnimg.cn/202006112)]]loss为计算 v x i v_{xi} vxi​与 v x i ′ v_{xi}' vxi′​的不同 node fingerprints F P x i FP_{x_i} FPxi​​
    最后通过平均池化得到整个图的表示。这里V(G)
    为pocket图G的节点集。

在这里插入图片描述在这里插入图片描述这里使用了多层的encoder,所以我们这里将所有层的表示加起来。
在这里插入图片描述

4.3 模型设计

通过自编码我们得到了节点的表示和整个图的表示。
在这里插入图片描述我们将前面的自编码其编码部分的结构当成是提取pockets的GCN，对pocket 进行信息处理，然后ligand是同样维度的层。最后通过拼接层和分类层，即可得到相互作用预测
在这里插入图片描述

实验结果

1. baseline

在这里插入图片描述在这里插入图片描述

2. 数据可视化

发现经过autoencoder 之后，同个家族的更容易聚在一起
在这里插入图片描述

3.测试模型是否有学习到口袋信息

MUV数据集上将正确的口袋换成假的，测试模型是否有学习到口袋信息，然后发现后面3个数据用了假口袋还提升了性能。说明正确口袋信息齐了负作用
在这里插入图片描述

4. 无偏数据集作用

AUC得分表明了无偏数据集MUV是对模型有提示作用的。
在这里插入图片描述

weixin_40248634
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文解读（AGCN）《 Attention-driven Graph Clustering Network》
「 虚幻私塾」
02-18 2339
Python微信订餐小程序课程视频 https://edu.csdn.net/course/detail/36074 Python实战量化交易理财系统 https://edu.csdn.net/course/detail/35475 Paper Information Title：《Attention-driven Graph Clustering Network》Authors：Zhihao Peng, Hui Liu, Yuheng Jia, Junhui HouSource：2021, ACM Mu
虚拟筛选及其方法学验证与ROC曲线python实现
weixin_45429249的博客
10-08 4663
前言 分子对接代表的基于结构的虚拟筛选已成为基于结构药物设计的标准方法。下面是虚拟筛选的笔记。 附注：主要从维基百科和百度百科的资料。 虚拟筛选 虚拟筛选(virtual screening，VS)也称计算机筛选，即在进行生物活性筛选之前，利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作用，计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导化合物发现效率。 从原理上来讲，虚拟筛选可以分为两类，即基于受体的虚拟筛选和基于配体的虚拟筛选。 基于受体的虚拟筛选从靶蛋白的三维结构出发，
Graph Convolutional Neural Networks for Predicting Drug-Target Interactions
wangprince2017
02-22 957
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...
笔记：《Graph Convolutional Neural Networks for Predicting Drug-Target Interactions》-2019
热门推荐
yyy的技术日常
06-26 1万+
1. 读《Graph Convolutional Neural Networks for Predicting Drug-Target Interactions》-2019 1.1概述 文章模型的目标：靶标-配体匹配，图卷积学习有意义的蛋白质口袋的框架 提出的算法模型：用于预测蛋白质-配体相互作用的GCN。 算法性能：在常见的虚拟筛选基准数据集上获得了更好或可比的3dcnn配体评分、Autodock Vina、RF-Score和nnScore 在GCN中，每一个node对应一个残基，每一个边缘表征节点之间的
用于评估分子对接和算法模型的数据集——DUD-E
gongfuxiongmao_的博客
06-07 2128
用于评估分子对接和算法模型的数据集——DUD-E
生物信息学|利用层注意图卷积网络预测药物-疾病关联
ShenggengLin的博客
03-25 2509
本篇推文引自：Predicting drug–disease associations through layer attention graph convolutional network 1. 摘要：     背景:确定药物与疾病的关联是药物开发过程中不可分割的一部分。然而，通过湿法实验来确定药物-疾病的关联是昂贵和低效的。因此，开发高效、高精度的预测药物-疾病相关性的计算方法具有重要意义。     结果:本文提出了一种新的计算方法——层注意图卷积网络(LAGCN)，用于药物-疾病关联预测。具体来说，L
2018-Graph Convolutional Neural Networks for Web-Scale Recommender Systems.pdf
06-11
2018-Graph Convolutional Neural Networks for Web-Scale Recommender Systems
graph-neural-networks-for-drug-discovery
04-25
基于原始分子图的神经网络属性预测 该代码是在阿斯利康进行的两项工作的基础： 我的硕士学位论文 Me和Michael Withnall的论文《 的中，本文提到的三个模型引用了以下代码和论文的模型： SELU-MPNN-> GGNN ...
2019-Graph Convolutional Networks with EigenPooling-网文-041
08-08
2019-Graph Convolutional Networks with EigenPooling-网文-041
2019-Graph Neural Networks with convolutional ARMA filters-基于矩阵的
08-04
Graph Neural Networks with convolutional ARMA filtersPreprint · January 2019Some
图神经网络研讨 - Graph convolutional neural networks.pdf
08-01
图神经网络研讨 - Graph convolutional neural networks.pdf
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 1615
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
文献阅读总结：生物网络方向的论文
垃圾就应该待在垃圾桶里的博客
03-24 910
本文是对生物网络方向的已读文献的归纳总结，长期更新 欢迎做生物信息学、计算生物学、复杂网络计算、图表示学习的同学联系加群讨论，互帮互助，需要文献的请联系 文章目录 论文1 ：Predicting human microbe–disease associations via graph attention networks with inductive matrix completion（通过带非负矩阵补全的图注意力进行预测人类microbe-疾病关联） 论文2：Identifying drug–targe
MAGCN：基于lncRNA与miRNA相互作用和图卷积网络预测miRNA与疾病的关联（Briefings in Bioinformatics）
adsdasdasdahj的博客
03-13 1436
文献笔记：Predicting miRNA-disease associations based onlncRNA–miRNA interactions and graph convolutionnetworks 基于lncRNA与miRNA相互作用和图卷积网络预测miRNA与疾病的关联（Briefings in Bioinformatics）
论文笔记Predicting Drug−Target Interaction Using a Novel Graph NeuralNetwork with 3D Structure-Embedded
LitmoonHoney的博客
11-17 253
论文笔记Predicting Drug−Target Interaction Using a Novel Graph NeuralNetwork with 3D Structure-Embedded Graph Representation
「论文翻译」Predicting Drug-Target Interactions Using Weisfeiler-Lehman Neural Network
雨y飘零久的博客
01-10 1024
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...
A graph auto-encoder model for miRNA-disease associations prediction 论文解析
垃圾就应该待在垃圾桶里的博客
11-19 1459
A graph auto-encoder model for miRNA-disease associations prediction（用于miRNA-disease关联预测的图自动编码模型）该文章由中科院新疆理化所的尤老师组，发表在《Briefings in Bioinformatics》期刊上 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器
【论文学习】2s-AGCN：Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition
LoveKKarlie_的博客
03-04 2989
Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition；CVPR2019；基于骨架的动作识别的两流自适应图卷积网络。2s-AGCN
NLP-阅读理解：数据集介绍及预处理【SQuAD、DuReader】
u013250861的博客
08-31 5220
一、SQuAD数据集 二、DuReader数据集 1、DuReader数据集介绍 DuReader，从名字（Du和Reader）就可以看出来，是百度整理出来的阅读理解数据集。 DuRader数据集由一系理的4元组构成，每个4元组 {q,t,D,A}\left\{ q, t,D,A \right\}{q,t,D,A} 就是一条样本，其中， qqq 表示一个问题， ttt 表示问题的类型， DDD 表示问题相关文档集合， AAA 表示一系列答案（由人手工标注）。 它相较于之前阅读理解数据集，主要有三个特点：
hybrid graph neural networks for few-shot learning
最新发布
10-23
混合图神经网络用于少样本学习。少样本学习是指在给定的样本数量非常有限的情况下，如何进行有效的学习和分类任务。混合图神经网络是一种结合了图神经网络和其他模型的方法，用于解决少样本学习问题。...

“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
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