qq在线网站代码生成,二建注册进度查询系统,湖南建设银行2018招聘网站,网店推广实训标题优化答案DrugBan#xff1a;一种可解释的双线性注意力网络进行药物-靶点结合预测。 提示#xff1a;写完文章后#xff0c;目录可以自动生成#xff0c;如何生成可参考右边的帮助文档 文章目录 DrugBan#xff1a;一种可解释的双线性注意力网络进行药物-靶点结合预测。前言一、模型…DrugBan一种可解释的双线性注意力网络进行药物-靶点结合预测。 提示写完文章后目录可以自动生成如何生成可参考右边的帮助文档 文章目录 DrugBan一种可解释的双线性注意力网络进行药物-靶点结合预测。前言一、模型框架1. 编码器2. 双线性注意力网络BAN3. 对抗性的领域适应网络CDAN 二、结果1. 模型性能2. 消融实验3. 模型解释性 总结 前言
预测药物-靶点相互作用DTI时药物发现中的关键环节近年来一些深度学习方法在该环节中显示了广泛的应用前景但目前仍然存在两个关键问题 1. 如何明确地建模和学习药物和靶标之间的局部相互作用以便更好地预测。 2. 如何提升药物-靶标对的预测的泛化能力。
针对这两个问题作者提出了一个深度双线性关注网络(drug- BAN)框架以学习药物和靶标之间的局部相互作用并使用领域自适应模块应用到训练集分布以外地数据中即未知的药物-靶标结构对。 一、模型框架 模型由三部分组成
1. 编码器
基于基于GCN编码分子smilesCNN编码蛋白序列。
2. 双线性注意力网络BAN
为了更好的学习蛋白和配体之间的局部相互作用特征没有将分子和蛋白特征直接拼合以表示分子-蛋白对。而是加入了一个attenion去生成一个新的集合特征I之后再进行一层attention的套娃。与直接采用单层attention相比双线性注意力网络能够更好的去学习两个子特征之间的联系本质上是一种多模态模型。
3. 对抗性的领域适应网络CDAN
为了增强模型的泛化能力作者在BAN之后接入了一个CDAN。该模块属于迁移学习的一种方式其核心思维和生成对抗网络很像。具体表现为当我们已经在source数据集上训练完成了BAN之后如何去提升BAN模型的泛化能力的让其能够将soutce数据集中的知识应用数据分布有所不同的target数据集上。首先两个数据集都会通过BAN网络得到特征f之后经过分类器去进行鉴别。 BAN和这个分类器之间进行了一场”猫捉老鼠“的竞赛分类器目标是识别出target和source而BAN网络则是为了蒙混过关。在这个过程中BAN也就逐渐将source上所学到的知识传到了target上以用于”伪装“。 此外CADA 还引入了一个条件变量也就是上图中的g表示不同的任务场景。在本论文中即蛋白-配体结构对的类别让BAN能够根据不同的类别以调整权重更好地适应目标域的任务。
二、结果
1. 模型性能
作者一共在两个数据集上进行了相关的性能测试BindingDB和BioSNAP。并分了两个任务场景其一是随机批分或据集第二则是先将数据进行相似性聚类后再批分数据集。前者的性能如下 后者作者采用了ECFP4指纹和氨基酸序列进行了聚类并随机抽取了百分之60的类作为sorce训练集剩下的数据中的百分之80做验证集(target数据集)百分之20做最终的测试集合, 模型表现如下 可以看到drug-ban呈现了SOTA性能。
2. 消融实验 CDAN的引入能够显著替身模型的泛化能力。
3. 模型解释性 根据模型给出的attention分数丢小分子进行着色可以发现准确了发现了关键的原子位点。这些原子是配体与蛋白复合物稳定的关键。但就展示了三个这个解释性就见仁见智了 总结
作者提出了 DrugBAN一个用于 DTI 预测的端到端双线性注意深度学习框架。该模型具备如下三点优势
作者将 CDAN整合到建模过程中增强了模型的泛化能力。通过将注意力权重映射到蛋白质子序列和药物化合物原子上作者的模型可以为解释相互作用的性质提供生物学见解。
个人认为阻碍其性能进一步增长的原因
蛋白和分子的表征仅仅包含结构甚至于蛋白都只有序列信息。特征信息有待扩充如三维坐标物理化学性质。看上去似乎是构建了蛋白和配体之间的相互作用但实际上也就是两个图之间的特征相关性。相互作用其实也是可以作为一种输入表征的。蛋白和配体的结合过程是一个动态拟合过程依赖固定的2维分子图做预测可能并不够充分。
