Associative Learning Mechanism for Drug-Target Interaction Prediction

要約

医薬品開発に必要なプロセスとして、特定のタンパク質に選択的に結合できる医薬品化合物を見つけることは非常に困難であり、コストがかかります。
薬物標的相互作用 (DTI) の強さを表す薬物標的親和性 (DTA) は、過去 10 年間にわたって DTI 予測タスクにおいて重要な役割を果たしてきました。
深層学習は DTA 関連の研究に適用されていますが、既存のソリューションでは、薬剤化合物分子/タンパク質標的の分子表現学習において、分子下部構造間の基本的な相関関係が無視されています。
さらに、従来の方法には DTA 予測プロセスの解釈可能性が欠けています。
これにより、分子間相互作用の特徴情報が欠落し、予測パフォーマンスに影響を与えます。
そこで本論文では対話型学習とオートエンコーダ機構を備えたDTA予測手法を提案する。
提案されたモデルは、薬物/タンパク質分子表現学習モジュールによって単一分子配列の特徴情報を捕捉する対応能力を強化し、対話型情報学習モジュールによって分子配列ペア間の情報相互作用を補います。
DTA 値予測モジュールは、薬物と標的のペアの相互作用情報を融合して DTA の予測値を出力します。
さらに、この論文は、提案された方法が DTA 予測モデルの結合分布の証拠下限 (ELBO) を最大化し、実際の値と予測値の間の確率分布の一貫性を高めることを理論的に証明します。
実験結果により、相互トランスフォーマー薬物標的親和性 (MT-DTA) が他の比較方法よりも優れたパフォーマンスを達成することが確認されました。

要約(オリジナル)

As a necessary process in drug development, finding a drug compound that can selectively bind to a specific protein is highly challenging and costly. Drug-target affinity (DTA), which represents the strength of drug-target interaction (DTI), has played an important role in the DTI prediction task over the past decade. Although deep learning has been applied to DTA-related research, existing solutions ignore fundamental correlations between molecular substructures in molecular representation learning of drug compound molecules/protein targets. Moreover, traditional methods lack the interpretability of the DTA prediction process. This results in missing feature information of intermolecular interactions, thereby affecting prediction performance. Therefore, this paper proposes a DTA prediction method with interactive learning and an autoencoder mechanism. The proposed model enhances the corresponding ability to capture the feature information of a single molecular sequence by the drug/protein molecular representation learning module and supplements the information interaction between molecular sequence pairs by the interactive information learning module. The DTA value prediction module fuses the drug-target pair interaction information to output the predicted value of DTA. Additionally, this paper theoretically proves that the proposed method maximizes evidence lower bound (ELBO) for the joint distribution of the DTA prediction model, which enhances the consistency of the probability distribution between the actual value and the predicted value. The experimental results confirm mutual transformer-drug target affinity (MT-DTA) achieves better performance than other comparative methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google