Loading...
机构名称:
¥ 1.0

摘要。药物靶标结合亲和力(DTA)是药物筛查的关键标准。现有的实验方法是耗时的,并且依赖有限的结构和域信息。虽然基于学习的方法可以对序列和结构信息进行建模,但它们很难整合上下文数据,并且通常缺乏对药物目标相互作用的全面建模。在这项研究中,我们提出了一种新型的DTA式词语方法,称为HGTDP-DTA,该方法在混合图形转换器框架内利用动态提示。我们的方法为每个药物目标对生成上下文特定的提示,从而增强了模型捕获独特相互作用的能力。提示引入的引入通过滤除无关的噪声并强调与任务相关的信息进一步优化预测过程,并动态调整分子图的输入特征。提出的混合图形变压器体系结构将图形卷积网络(GCN)的结构信息与变压器捕获的序列信息相结合,从而促进了全局和局部信息之间的相互作用。此外,我们采用了多视图特征融合方法将分子图视图和亲和力子图视图投射到一个共同的特征空间中,从而有效地结合了结构和上下文信息。在两个广泛使用的公共数据集(Davis and Kiba)上进行的实验表明,HGTDP-DTA在预测性能和泛化能力中的最先进的DTA预测方法优于最先进的DTA预测方法。

arxiv:2406.17697v1 [cs.lg] 2024年6月25日

arxiv:2406.17697v1 [cs.lg] 2024年6月25日PDF文件第1页

arxiv:2406.17697v1 [cs.lg] 2024年6月25日PDF文件第2页

arxiv:2406.17697v1 [cs.lg] 2024年6月25日PDF文件第3页

arxiv:2406.17697v1 [cs.lg] 2024年6月25日PDF文件第4页

arxiv:2406.17697v1 [cs.lg] 2024年6月25日PDF文件第5页

相关文件推荐

2024 年
¥3.0
2024 年
¥9.0
2024 年
¥4.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥7.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥12.0
2024 年
¥2.0