Nat. Mach. Intell. 速递：可解释双线性注意力网络提高药物靶点预测能力

荼糜茶

关键词：深度学习，药物发现，蛋白质预测，分布外泛化，可解释机器学习

论 文题目： Interpretable bilinear attention network with domain adaptation improves drug–target prediction 论文来源： Nature Machine Intelligence 论文链接： https://www.nature.com/articles/s42256-022-00605-1

预测药物-靶点相互作用是药物发现的关键。传统的体外实验的生物医学测量是可靠的，但有明显的高成本和耗时的开发周期，使其无法应用于大规模数据。相比之下，深度学习方法可以大大缩小候选化合物的搜索范围，并能对药物组合中的潜在副作用有深入了解。
但深度学习的方法仍然存在两个挑战：如何明确地建模和学习药物和靶点之间的局部相互作用，以更好地预测和解释；第二个挑战是如何优化对新药物-靶点的预测的泛化能力，即在已知分布的基础上，跨领域推广预测性能。
这篇文章提出了 DrugBAN，一个具有领域适应性的深度双线性注意力网络 （bilinear attention network, BAN） 框架，以显式地学习药物和靶点之间的成对局部相互作用，并根据分布外数据进行适应。DrugBAN 在药物分子图和目标蛋白序列上进行预测，通过条件域对抗性学习来对齐不同分布中学习到的交互表示，使学习到的相互作用表征在不同的分布中保持一致，以便更好地泛化到新的药物-靶点对。
在三个基准数据集上进行的域内和跨域设置的实验表明，DrugBAN 在与五个最先进的基线模型的竞争中取得了最佳的整体性能。此外，可视化学习的双线性注意力图提供了预测结果的可解释性见解。

图1. DrugBAN 框架概览。

图2. BindingDB 和 BioSNAP 数据集的跨域性能比较。

图3. 用于可解释性研究的配体和结合口袋的可视化。
复杂科学最新论文
集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「我的集智」推送论文信息。扫描下方二维码即可一键订阅：

来源：http://www.yidianzixun.com/article/0m8urvuY
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！