HGTDP-DTA: Hybrid Graph-Transformer with Dynamic Prompt for Drug-Target Binding Affinity Prediction

要約

薬物標的結合親和性 (DTA) は、薬物スクリーニングの重要な基準です。
既存の実験方法は時間がかかり、限られた構造情報とドメイン情報に依存しています。
学習ベースの方法は配列と構造情報をモデル化できますが、コンテキスト データを統合するのが難しく、薬物と標的の相互作用の包括的なモデリングが欠けていることがよくあります。
この研究では、ハイブリッド Graph-Transformer フレームワーク内で動的プロンプトを利用する、HGTDP-DTA と呼ばれる新しい DTA 予測方法を提案します。
私たちの方法は、薬物と標的のペアごとにコンテキスト固有のプロンプトを生成し、固有の相互作用を捕捉するモデルの能力を強化します。
プロンプトチューニングの導入により、無関係なノイズを除去し、タスク関連情報を強調し、分子グラフの入力特徴を動的に調整することにより、予測プロセスがさらに最適化されます。
提案されたハイブリッド Graph-Transformer アーキテクチャは、Graph Convolutional Networks (GCN) からの構造情報と Transformer によってキャプチャされたシーケンス情報を組み合わせ、グローバル情報とローカル情報の間の相互作用を促進します。
さらに、マルチビュー特徴融合法を採用して、分子グラフ ビューとアフィニティ サブグラフ ビューを共通の特徴空間に投影し、構造情報とコンテキスト情報を効果的に組み合わせました。
広く使用されている 2 つの公開データセット、Davis と KIBA での実験では、HGTDP-DTA が予測パフォーマンスと汎化能力の両方において最先端の DTA 予測方法よりも優れていることが示されています。

要約(オリジナル)

Drug target binding affinity (DTA) is a key criterion for drug screening. Existing experimental methods are time-consuming and rely on limited structural and domain information. While learning-based methods can model sequence and structural information, they struggle to integrate contextual data and often lack comprehensive modeling of drug-target interactions. In this study, we propose a novel DTA prediction method, termed HGTDP-DTA, which utilizes dynamic prompts within a hybrid Graph-Transformer framework. Our method generates context-specific prompts for each drug-target pair, enhancing the model’s ability to capture unique interactions. The introduction of prompt tuning further optimizes the prediction process by filtering out irrelevant noise and emphasizing task-relevant information, dynamically adjusting the input features of the molecular graph. The proposed hybrid Graph-Transformer architecture combines structural information from Graph Convolutional Networks (GCNs) with sequence information captured by Transformers, facilitating the interaction between global and local information. Additionally, we adopted the multi-view feature fusion method to project molecular graph views and affinity subgraph views into a common feature space, effectively combining structural and contextual information. Experiments on two widely used public datasets, Davis and KIBA, show that HGTDP-DTA outperforms state-of-the-art DTA prediction methods in both prediction performance and generalization ability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google