Новости

Oct 24, 2023

DEDTI против IEDTI: эффективные и прогнозирующие модели лекарств

Научные отчеты, том 13,

Научные отчеты, том 13, Номер статьи: 9238 (2023) Цитировать эту статью

Подробности о метриках

Перепрофилирование лекарств — это активная область исследований, целью которых является снижение стоимости и времени разработки лекарств. Большая часть этих усилий в первую очередь связана с прогнозированием взаимодействия лекарств с мишенями. Для выявления таких связей на сцене появилось множество моделей оценки, от матричной факторизации до более современных глубоких нейронных сетей. Некоторые прогностические модели посвящены качеству предсказания, а другие посвящены эффективности прогностических моделей, например, встроенной генерации. В этой работе мы предлагаем новые представления о лекарствах и мишенях, полезные для более точного прогнозирования и анализа. Используя эти представления, мы предлагаем две индуктивные модели глубокой сети IEDTI и DEDTI для прогнозирования взаимодействия препарата с мишенью. Оба они используют накопление новых представлений. IEDTI использует преимущества триплета и отображает входные накопленные признаки сходства в значимые внедрения соответствующих векторов. Затем он применяет глубокую прогностическую модель к каждой паре лекарство-мишень, чтобы оценить их взаимодействие. DEDTI напрямую использует накопленные векторы признаков сходства лекарств и мишеней и применяет прогностическую модель к каждой паре для выявления их взаимодействий. Мы провели комплексное моделирование набора данных DTINet, а также наборов данных золотого стандарта, и результаты показывают, что DEDTI превосходит IEDTI и самые современные модели. Кроме того, мы проводим исследование стыковки новых предсказанных взаимодействий между двумя парами лекарство-мишень, и результаты подтверждают приемлемое сродство связывания лекарство-мишень между обеими предсказанными парами.

Открытие новых лекарств требует огромных сумм денег и требует длительного расследования без каких-либо гарантий успеха1. Чтобы преодолеть эти проблемы, все чаще используются вычислительные методы поиска лекарств для выявления неизвестных и скрытых взаимодействий лекарственного средства с мишенью (DTI) для лечения многочисленных заболеваний. Вычислительное перепрофилирование лекарств является важной вехой в выявлении новых показаний к использованию в настоящее время на рынке лекарств против интересующих целей. Основная идея компьютерных стратегий перепрофилирования лекарств основана на том факте, что сходные соединения могут иметь схожие свойства (известные как вина за ассоциацию)2,3. Существуют три основных подхода к выполнению вычислительного прогнозирования DTI4. Лигандный подход является первым и используется, когда доступна ограниченная информация о мишени. Эти подходы основаны на концепции, что подобные соединения имеют схожие свойства и взаимодействуют со схожими белками. Другими словами, прогнозируемые результаты этих подходов полностью зависят от количества известных лигандов на белок, поэтому на их надежность может влиять недостаточное соотношение лигандов на белок5,6,7,8,9. Второй подход — это подход, основанный на докинге, который использует трехмерные структуры лиганда и рецептора для оценки аффинности связывания между ними10. Подход молекулярного докинга страдает отсутствием достаточного количества трехмерных структур лигандов и рецепторов11. Третий многообещающий подход, хемогеномный подход, был определен как идентификация и описание всех возможных молекул, которые могут взаимодействовать с любыми терапевтическими мишенями, следовательно, позволяет исследователям решать проблему прогнозирования нецелевых белков для терапевтических кандидатов12,13. Этот подход пытается избежать недостатков вышеупомянутых методов путем нахождения корреляций между химическим пространством лиганда и геномным пространством белка14. Хемогеномные подходы можно разделить на пять типов: (1) модели соседства, (2) двусторонние локальные модели, (3) модели сетевой диффузии, (4) модели матричной факторизации и (5) модели классификации на основе признаков4. Матричная факторизация — один из широко используемых методов прогнозирования DTI15. Методы матричной факторизации16 манипулируют DTI и пытаются найти скрытое представление каждого препарата и каждой мишени16,17,18. Несмотря на множество преимуществ этого метода, матричная факторизация имеет ряд недостатков. Например, матричная факторизация использует линейное внутреннее произведение двух векторов. Следовательно, это не лучшее решение для прогнозирования взаимодействия или связи препарата и мишени. В результате мы предлагаем избегать традиционной линейной матричной факторизации при перепрофилировании лекарств. О проблемах методов матричной факторизации авторы упоминали в другой работе19.