基于图卷积和双线性注意力网络的药物靶标亲和力预测

TP183%R91; 药物靶标亲和力预测在药物研发中扮演着重要的角色.针对现有预测方法大多忽略药物分子的二维结构信息、缺乏深层表征融合学习的问题,提出了基于图卷积和双线性注意力网络的药物靶标亲和力预测模型(GBN_DTA).该模型首先基于多层图卷积神经网络编码药物分子图,同时结合 1D-CNN和双向长短期记忆网络(BiLSTM)编码靶标序列;然后使用双线性注意力网络融合编码后的药物和靶标特征,最终获得亲和力预测分数.实验结果表明,该模型在DAVIS和KIBA数据集上的性能均优于其他6种主流方法,有效提升了预测准确率....

Full description

Saved in:
Bibliographic Details
Published in华东理工大学学报（自然科学版） Vol. 50; no. 4; pp. 594 - 601
Main Authors 程竹平, 李建华
Format Journal Article
LanguageChinese
Published 华东理工大学信息科学与工程学院,上海 200237 01.08.2024
Subjects
双线性注意力网络
graph convolutional neural network
deep representation fusion
drug target affinity prediction
drug development
bilinear attention network
药物研发
图卷积神经网络
深层表征融合
药物靶标亲和力预测
Online AccessGet full text

Cover

More Information
Summary:TP183%R91; 药物靶标亲和力预测在药物研发中扮演着重要的角色.针对现有预测方法大多忽略药物分子的二维结构信息、缺乏深层表征融合学习的问题,提出了基于图卷积和双线性注意力网络的药物靶标亲和力预测模型(GBN_DTA).该模型首先基于多层图卷积神经网络编码药物分子图,同时结合 1D-CNN和双向长短期记忆网络(BiLSTM)编码靶标序列;然后使用双线性注意力网络融合编码后的药物和靶标特征,最终获得亲和力预测分数.实验结果表明,该模型在DAVIS和KIBA数据集上的性能均优于其他6种主流方法,有效提升了预测准确率.
ISSN:1006-3080
DOI:10.14135/j.cnki.1006-3080.20230424001