机构名称：
¥ 1.0
虽然药物-靶标相互作用 (DTI) 预测研究已经相当成熟，但该领域现有研究并未始终解决可推广性和可解释性问题。在本文中，我们提出了一个基于深度学习的框架，称为 BindingSite-AugmentedDTA，该框架通过减少蛋白质潜在结合位点的搜索空间来改善药物-靶标亲和力 (DTA) 预测，从而使结合亲和力预测更加高效和准确。我们的 BindingSite-AugmentedDTA 具有高度可推广性，因为它可以与任何基于 DL 的回归模型集成，同时显著提高它们的预测性能。此外，与许多现有模型不同，我们的模型由于其架构和自注意力机制而具有高度可解释性，通过将注意力权重映射回蛋白质结合位点，可以更深入地理解其底层预测机制。计算结果证实，我们的框架可以在 4 个广泛使用的评估指标方面提高七种最先进的 DTA 预测算法的预测性能，包括一致性指数 (CI)、均方误差 (MSE)、修正平方相关系数 ( r 2 m) 和精度曲线下面积 (AUPC)。我们还为两个最常用的 DTA 基准数据集（即 Kiba 和 Davis）做出了贡献，包括这两个数据集中包含的所有蛋白质的 3D 结构的附加信息。我们从 https://www.uniprot.org/ 上提供的蛋白质数据库 (PDB) 文件中手动提取了这些信息。此外，我们通过实验室实验验证了我们提出的框架的实际潜力。我们测量了几种候选药物化合物之间的结合相互作用，以抑制 (SARS-CoV-2 S-蛋白 RBD) 刺突蛋白和 ACE-2（宿主细胞结合靶标）蛋白之间的结合。然后，我们将计算预测的结果与实验室中实验观察到的结果进行比较。计算预测和实验观察到的结合相互作用之间相对较高的一致性支持了我们的框架作为药物再利用预测模型的下一代流程的潜力。
BindingSiteAugmentedDTA：为药物再利用中的可解释预测模型启用下一代管道
主要关键词
相关文件推荐
