AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks

最新推荐文章于 2023-03-21 19:55:48 发布
最新推荐文章于 2023-03-21 19:55:48 发布
阅读量2.2k 收藏 20
点赞数 4
分类专栏： AI与药物联合疗法 文章标签： 人工智能 深度学习 ddi
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/xiao_muyu/article/details/122686532
版权
GraphDTA模型采用图神经网络预测药物与靶标结合亲和力，通过将药物表示为分子图，学习药物和蛋白质的表示。模型包括基于GCN、GAT、GIN的变体以及它们的组合，通过实验显示在Davis和Kiba数据集上取得了优秀的预测性能。
摘要由CSDN通过智能技术生成

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

一、GraphDTA模型图：

在这里插入图片描述

将药物-靶标对作为输入数据，并将该对的亲和力作为输出数据。

分 3 个阶段工作：

1.将药物的 SMILES通过RDKit转换为分子图，通过深度学习算法学习药物表示。

2.蛋白质序列被编码和嵌入，几个一维卷积层学习序列表示。

3.将两个表示向量连接起来并通过两个完全连接的层来估计输出的药物-靶点亲和度值。

对于蛋白质࿱

最低0.47元/天 解锁文章
努力AC的潇潇
关注
  • 4
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GraphDTA:GraphDTA
05-15
资源： README.md：此文件。 数据/戴维斯/折叠/test_fold_setting1.txt,train_fold_setting1.txt; 数据/戴维斯/ Y，配体_can.txt，proteins.txt数据/kiba/folds/test_fold_setting1.txt，train_fold_setting1.txt； 数据/kiba/Y,ligands_can.txt,proteins.txt这些文件是从下载的 源代码： create_data.py：以pytorch格式创建数据 utils.py：包括由create_data.py用于创建数据的TestbedDataset和性能度量。 training.py：训练GraphDTA模型。 models / ginconv.py，gat.py，gat_gcn.py和gcn.py：建议的模型GINConvNet
2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks
发呆的比目鱼的博客
07-06 585
2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks
GraphDTA论文阅读小白笔记（附代码注释和复现流程）
weixin_70379932的博客
03-21 1988
DTA经典模型复现和论文小白阅读笔记
Graph Convolutional Neural Networks for Predicting Drug-Target Interactions(2019)笔记
weixin_40248634的博客
06-11 807
Graph Convolutional Neural Networks for Predicting Drug-Target Interactions1. 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 graphmolecuar graph4. 口袋pretraining 使用autoencoder4.1 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. baseline2. 数据可视化3.测试模型是否有学习到
GraphDTA | 基于图卷积网络预测药物-靶标结合亲和力
DrugAI
09-07 9677
作者 | 马腾飞指导 | 曾湘祥教授审稿 | 王建民单位 | 湖南大学研究方向 | 药物发现、生物医药大数据1. 研究背景现有的高通量筛选实验用于确定药物和靶标之间的生物活性是一个昂贵费...
DeepDTA_Deep Drug-Target Binding Affinity Prediction2018.pdf
03-20
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 ...
predicting-scrabble-game-outcomes:学士论文
06-29
《预测拼字游戏结果——基于Ruby的...总的来说，这篇学士论文揭示了如何利用计算概率、特征提取和Ruby编程来预测Scrabble游戏结果，展示了人工智能在休闲游戏领域的潜力，同时也为跨学科的学习和研究提供了宝贵的资源。
Predicting-Myers-Briggs-Type-Indicator-with-Recurrent-Neural-Networks
05-25
预测具有递归神经网络的迈尔斯布里格斯类型指标 作者 伊恩·斯科特·奈特（Ian Scott Knight） 斯坦福大学符号系统系 雷恩·埃尔南德斯（Rayne Hernandez） 斯坦福大学数学与计算科学系 抽象的 ...
Predicting-Bike-Sharing-Patterns:Udacity深度学习纳米学位的第一个项目
04-16
深度学习是一种人工神经网络的分支，它通过模拟人脑的神经元网络结构，实现对大量复杂数据的学习和模式识别。在这个项目中，我们将构建一个神经网络模型，用于处理来自自行车共享服务的数据，预测未来一段时间内...
PEDLA: predicting enhancers with a deep learning-based algorithmic framework.
02-11
PEDLA: predicting enhancers with a deep learning-based algorithmic framework.
【图神经网络GNN & 药物----靶点预测】DTI-HETA：基于GCN和GAT在异构图上预测药物-靶点相互作用
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
03-03 1122
本次阅读的文献，依然是关于图神经网络方面，应用于医学中药物——靶点相互作用的预测。该文献是2022年上半年发表在《生物信息学简报》的一篇文章。
DGraphDTA神经网络架构源码分析 2021SC@SDUSC
chy931088287的博客
12-26 1763
2021SC@SDUSC 在此前的文章已经对此部分的流程进行了解读，本文将基于目前已经获取到分子图与蛋白质图，从代码的层面分析DGraphDTA任务中神经网络的结构以及运作流程。 DGraphDTA结构图： 网络结构完整代码： # GCN based model class GNNNet(torch.nn.Module): #初始化网络结构 def __init__(self, n_output=1, num_features_pro=54, num_features_mol=78, outpu
IJCAI2020 | 知识图神经网络预测药物与药物相互作用
DrugAI
08-13 3417
今天给大家介绍的是湖南大学信息科学与工程学院全哲教授课题组在IJCAI 2020会议上发表的一篇关于知识图神经网络预测药物与药物相互作用的文章。在本文中，作者提出了一个称为知识图神经网络（KGNN）的端到端框架，以预测药物与药物相互作用（DDI）。KGNN框架可通过在知识图谱（KG）中挖掘与药物关联的实体关系，以有效地获取药物及其潜在的邻居实体信息。为了提取KG中存在的高阶拓扑结构和语义关系，KGNN从KG中每个实体的邻域中学习作为它们的局部感知域，然后将当前实体表示的偏差及其邻域信息进行聚合。这...
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 1626
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
DGraphDTA 环境安装
suwei0315的博客
11-10 422
AI药物设计工具
DGraphDTA训练部分源码解读分析（二）2021SC@SDUSC
chy931088287的博客
12-28 1296
2021SC@SDUSC 加载亲和力值数据 affinity = pickle.load(open(dataset_path + 'Y', 'rb'), encoding='latin1') 设置四个list分别存储药物SMILES、蛋白质序列、蛋白质key、药物分子式，并使用数据集通过循环将它们填满 drugs = [] prots = [] prot_keys = [] drug_smiles = [] # smiles for d in ligands.keys(): lg = Chem.
DTA随笔1
Chilan_Yuk的博客
09-26 299
run_experiments.py的预处理部分 os.environ['PYTHONHASHSEED'] = '0' （1）如果该环境变量被设定为 random ，相当于 -R 命令行参数。Python 会用一个随机的种子来生成 str/bytes/datetime 对象的 hash 值。 （2）如果该环境变量被设定为一个数字，它就被当作一个固定的种子来生成 str/bytes/dateti...
Deep drug-target binding affinity prediction with multiple attention blocks论文解读（一）2021SC@SDUSC
chy931088287的博客
12-28 1062
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
rdkit&gnn | 图神经网络分子构建图表征源码
ASKCOS博客
12-10 840
创建图结构 class MolGraph(object): def __init__(self): self.nodes = {} # dict of lists of nodes, keyed by node type def new_node(self, ntype, features=None, rdkit_ix=None): new_node = Node(ntype, features, rdkit_ix) self.nodes
Semi-Supervised Classification with Graph Convolutional Networks
最新发布
05-17
Semi-supervised classification with graph convolutional networks (GCNs) is a method for predicting labels for nodes in a graph. GCNs are a type of neural network that operates on graph-structured data, where each node in the graph represents an entity (such as a person, a product, or a webpage) and edges represent relationships between entities. The semi-supervised classification problem arises when we have a graph where only a small subset of nodes have labels, and we want to predict the labels of the remaining nodes. GCNs can be used to solve this problem by learning to propagate information through the graph, using the labeled nodes as anchors. The key idea behind GCNs is to use a graph convolution operation to aggregate information from a node's neighbors, and then use this aggregated information to update the node's representation. This operation is then repeated over multiple layers, allowing the network to capture increasingly complex relationships between nodes. To train a GCN for semi-supervised classification, we use a combination of labeled and unlabeled nodes as input, and optimize a loss function that encourages the network to correctly predict the labels of the labeled nodes while also encouraging the network to produce smooth predictions across the graph. Overall, semi-supervised classification with GCNs is a powerful and flexible method for predicting labels on graph-structured data, and has been successfully applied to a wide range of applications including social network analysis, drug discovery, and recommendation systems.

“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