ViDTA: Enhanced Drug-Target Affinity Prediction via Virtual Graph Nodes and Attention-based Feature Fusion

要約

薬物と標的の相互作用は、薬物が生体系にどのような影響を与えるかを理解する上での基礎であり、薬物と標的の親和性 (DTA) を正確に予測することは創薬にとって不可欠です。
最近、深層学習手法が、薬物と標的タンパク質間の結合強度を推定するための重要なアプローチとして登場しました。
しかし、既存の方法は、グローバルな情報ではなく、分子トポロジーからの薬物の局所的な情報を利用しているだけです。
さらに、薬物とタンパク質の機能は通常、単純な連結操作で融合されるため、その有効性が制限されます。
これらの課題に対処するために、私たちは強化された DTA 予測フレームワークである ViDTA を提案しました。
グラフ ニューラル ネットワーク (GNN) ベースの薬物特徴抽出ネットワークに仮想ノードを導入します。これは、メッセージをより効率的に交換するためのグローバル メモリとして機能します。
仮想グラフ ノードを組み込むことで、薬物分子構造のローカルおよびグローバルな特徴をシームレスに統合し、GNN の受容領域を拡張します。
さらに、薬物とタンパク質の間の相互作用情報をより適切に捕捉するために、注意ベースの線形特徴融合ネットワークを提案します。
Davis、Metz、KIBA などのさまざまなベンチマークで評価された実験結果は、私たちが提案する ViDTA が最先端のベースラインを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Drug-target interaction is fundamental in understanding how drugs affect biological systems, and accurately predicting drug-target affinity (DTA) is vital for drug discovery. Recently, deep learning methods have emerged as a significant approach for estimating the binding strength between drugs and target proteins. However, existing methods simply utilize the drug’s local information from molecular topology rather than global information. Additionally, the features of drugs and proteins are usually fused with a simple concatenation operation, limiting their effectiveness. To address these challenges, we proposed ViDTA, an enhanced DTA prediction framework. We introduce virtual nodes into the Graph Neural Network (GNN)-based drug feature extraction network, which acts as a global memory to exchange messages more efficiently. By incorporating virtual graph nodes, we seamlessly integrate local and global features of drug molecular structures, expanding the GNN’s receptive field. Additionally, we propose an attention-based linear feature fusion network for better capturing the interaction information between drugs and proteins. Experimental results evaluated on various benchmarks including Davis, Metz, and KIBA demonstrate that our proposed ViDTA outperforms the state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google