Bioinformatics | 基于相互作用神经网络的有效药物-靶标关联预测

本文介绍的是通讯作者为复旦大学计算机科学技术学院的周水庚教授近期被Bioinformatics接收的一篇题为“基于相互作用神经网络的有效药物-靶标关联预测”的论文。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btac377/6598797?login=true

代码：

https://github.com/admislf/MINN-DTI

动机：准确预测药物-靶标相互作用（DTI）是药物发现的关键步骤。近年来，深度学习技术被广泛应用于DTI预测，并取得了显著的性能改进。为DTI预测构建深度学习模型的一个挑战是如何恰当地表示药物和靶点。靶标距离图和分子图是低维的信息表示，但尚未在DTI预测中联合使用。另一个挑战是如何有效地模拟药物和靶点之间的相互影响。虽然注意机制已经被用来捕捉靶标对药物的单向影响，或者靶标对药物的单向影响，但是药物和靶标之间的相互影响尚未被探索，这对于预测它们之间的相互作用非常重要。

结果：因此，本文提出了一种新的DTI预测模型MINN-DTI。MINN-DTI将interacting-transformer模块（称为Interformer）与一个改进的通信信息传递神经网络（Communicative  Message Passing Neural Network, CMPNN）（称为Inter-CMPNN）相结合，以更好地捕捉药物和靶点之间的双向影响，这两种影响分别由分子图和距离图表示。在DUD-E、human和BindingDB三个基准数据集上，该方法获得了比最新方法更好的性能。MINN-DTI还通过赋予对药物和靶标之间的相互作用贡献更大的氨基酸和原子以更大的权重来提供良好的解释性。

如上图所示，MINN-DTI由三个模块组成：靶标预处理网络（Target preprocessing network, TPN）、相互关联神经网络（Mutual interaction network, MINN）和关联预测网络（Interaction prediction network, IPN）。