MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction

要約

薬物標的相互作用 (DTI) の予測は、新しい治療薬を特定し、作用機序を検出するために重要です。
構造ベースの方法は薬物とそのタンパク質標的の間の物理的相互作用を正確にモデル化しますが、セルペインティングなどの細胞ベースのアッセイは複雑な DTI 相互作用をより適切に捕捉できます。
この論文では、11,000 個の遺伝子と 3,600 個の化合物のセル ペインティング機能と、7 つの公的に利用可能なデータベースから抽出されたそれらの関係から構成される形態学的 cOpound Target Interaction Graph データセットである MOTIVE を紹介します。
当社は、ランダムなコールドソース (新薬) とコールドターゲット (新遺伝子) のデータ分割を提供し、現実的なユースケースでの厳密な評価を可能にします。
私たちのベンチマーク結果は、セル ペインティング機能を使用するグラフ ニューラル ネットワークが、グラフ構造のみ、機能ベースのモデル、およびトポロジカル ヒューリスティックから学習するグラフ ニューラル ネットワークよりも一貫して優れていることを示しています。
MOTIVE は、より信頼性の高い DTI 予測モデルの開発を促進することで、グラフ ML 研究と創薬の両方を加速します。
MOTIVE リソースは https://github.com/carpenter-singh-lab/motive で入手できます。

要約(オリジナル)

Drug-target interaction (DTI) prediction is crucial for identifying new therapeutics and detecting mechanisms of action. While structure-based methods accurately model physical interactions between a drug and its protein target, cell-based assays such as Cell Painting can better capture complex DTI interactions. This paper introduces MOTIVE, a Morphological cOmpound Target Interaction Graph dataset comprising Cell Painting features for 11,000 genes and 3,600 compounds, along with their relationships extracted from seven publicly available databases. We provide random, cold-source (new drugs), and cold-target (new genes) data splits to enable rigorous evaluation under realistic use cases. Our benchmark results show that graph neural networks that use Cell Painting features consistently outperform those that learn from graph structure alone, feature-based models, and topological heuristics. MOTIVE accelerates both graph ML research and drug discovery by promoting the development of more reliable DTI prediction models. MOTIVE resources are available at https://github.com/carpenter-singh-lab/motive.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google