GraphDTA：用图神经网络预测药物-靶点结合亲和力

论文题目	GraphDTA: Predicting drug–target binding affinity with graph neural networks
论文出自	bioRxiv preprint，2020

使用图神经网络来预测药物与靶标的亲和力。将药物表示为分子图，因此该模型可以直接捕获原子间的键。

文章目录

GraphDTA：用图神经网络预测药物-靶点结合亲和力
- 一、**GraphDTA模型图：**
- 二、实验结果？

一、GraphDTA模型图：

将药物-靶标对作为输入数据，并将该对的亲和力作为输出数据。

分 3 个阶段工作：

1.将药物的 SMILES通过RDKit转换为分子图，通过深度学习算法学习药物表示。

2.蛋白质序列被编码和嵌入，几个一维卷积层学习序列表示。

3.将两个表示向量连接起来并通过两个完全连接的层来估计输出的药物-靶点亲和度值。

对于蛋白质：

1.首先对蛋白质序列进行分类编码，其中每个字符由一个 128 维向量表示。

2.接下来，三个一维卷积层用于从输入中学习不同级别的抽象特征。

3.最后，应用最大池化层以获得输入蛋白质序列的表示向量。

对于药物:分别使用了 GCN 、GAT 、GIN 和组合的 GAT-GCN 架构

变体1：基于GCN的图形表示学习

将给定药物的图表示为 G= (V, E)，其中 V 是 N 个节点的集合，每个节点由 C 维向量表示，E 是表示为邻接矩阵 A 的边集。

以节点特征矩阵X和邻接矩阵A作为输入；产生节点级输出 Z。

使用三个连续的 GCN 层，每个层都由一个 ReLU 函数激活。然后添加一个全局最大池化层以获得图表示向量。

变体2：基于GAT的图形表示学习

图注意力网络 (GAT)提出了一种基于注意力的架构，通过应用自注意力机制来学习图中节点的隐藏表示。 GAT 架构的构建块是图注意力层。 GAT 层将图的节点集作为输入，并通过权重矩阵 W 对每个节点应用线性变换。对于图中的每个输入节点，i 与其一阶邻居之间的注意力系数计算为

该值表示节点 j 到节点 i 的重要性。然后通过应用 soft-max 函数将这些注意力系数归一化，然后用于计算节点的输出特征为

在我们的模型中，基于 GAT 的图学习架构包括两个 GAT 层，由 ReLU 函数激活，然后跟随一个全局最大池化层以获得图表示向量。 （对于第一个 GAT 层，应用多头注意，头数设置为 10，输出特征数设置为输入特征数。第二个 GA T 的输出特征数设置为 128。）

变体3：图同构网络（GIN）

图同构网络（GIN）是一种较新的方法，GIN使用多层感知器（MLP）模型更新节点特征，如下所示：

在我们的模型中，基于GIN的图形神经网络由五个GIN层组成，每个GIN层后面都有一个批次标准化层。最后，添加一个全局最大池层以获得图表示向量。

变体4: GAT-GCN组合图神经网络

组合的 GAT-GCN 模型。在这里，图神经网络从一个GAT 层开始，该层将图作为输入，然后将卷积特征矩阵传递给后续的 GCN 层。每一层都由一个 ReLU 函数激活。然后通过连接来自 GCN 层输出的全局最大池化层和全局平均池化层来计算最终的图表示向量。

二、实验结果？

比较了基线方法以及本文中4种图形神经网络变体：GCN、GAT、GIN、GAT_GCN。

Davis数据集上的预测性能，按MSE排序。（MSE均方误差：该统计参数是预测数据和原始数据对应点误差的平方和的均值）

Kiba数据集上的预测性能，按MSE排序。

AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks相关推荐

Re01：NerLTR-DTA: drug–target binding affinity prediction based on neighbor relationship and learning
NerLTR-DTA: drug–target binding affinity prediction based on neighbor relationship and learning to r ...
【论文笔记】Poison Frogs! Targeted Clean-Label Poisoning Attacks on Neural Networks
Poison Frogs! Targeted Clean-Label Poisoning Attacks on Neural Networks 引言创新性本篇论文的贡献(目的) 算法步骤实验结果 ...
论文笔记：AAAI 2021 Beyond Low-frequency Information in Graph Convolutional Networks
前言现有的大部分 GNN 方法集中于对图数据中的低频信息进行处理,这也产生了一个问题:真实世界中我们需要的仅仅是图中的低频信息吗? 作者在本文中进行了实验说明了在不同的条件下仅使用低频信息是有局限性 ...
论文笔记：Dynamic Scene Deblurring Using Spatially Variant Recurrent Neural Networks
Dynamic Scene Deblurring Using Spatially Variant Recurrent Neural Networks(利用空间变化循环神经网络对动态场景去模糊) 这是C ...
论文笔记：ESWC 2018 Modeling Relational Data with Graph Convolutional Networks
前言论文链接:https://arxiv.org/pdf/1703.06103.pdf github:https://github.com/kkteru/r-gcn 本文提出了一种将图卷积操作应用与 ...
AI医药论文笔记--Deep learning improves prediction of drug–drug and drug–food interactions
深度学习用于提高对药物-药物相互作用和药物-食物相互作用的预测论文题目 Deep learning improves prediction of drug–drug and drug–food in ...
AI医药论文笔记DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug....
DeepDDS:具有注意机制的深度图神经网络预测协同用药文章目录 DeepDDS:具有注意机制的深度图神经网络预测协同用药一.模型? 二.具体方法? 三.实验结果? 一.模型? DeepDDS : ...
【论文笔记】Question Answering over Freebase with Multi-Column Convolutional Neural Networks
一.概要该文章发于ACL 2015,作者提出了一个基于Freebase,使用multi-column convolutional neural networks(MCCNNs)的自动问答模型,分 ...
[论文笔记]EMNLP2019: Fine-Grained Entity Typing via Hierarchical Multi Graph Convolutional Networks
EMNLP2019: Fine-Grained Entity Typing via Hierarchical Multi Graph Convolutional Networks 链接: https: ...

AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks

GraphDTA：用图神经网络预测药物-靶点结合亲和力

文章目录

一、GraphDTA模型图：

二、实验结果？

AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks相关推荐

最新文章

热门文章