【Bioinformatics】四篇好文简读-专题6

智能生信

发布于 2021-11-02 17:34:42

7240

发布于 2021-11-02 17:34:42

文章被收录于专栏：智能生信智能生信

一

论文题目：

FraGAT: a fragment-oriented multi-scale graph attention model for molecular property prediction 论文摘要：

目前基于图的模型忽略了分子的分层结构。根据化学和药学的知识，分子的官能团与它的生理化学性质和结合亲和力密切相关。因此，用含有官能团的片段来表示分子图有助于分子特性的预测。在本文中，为了提高分子性质预测的性能，作者首先提出了分子图片段的定义，这些片段可能是含有与分子性质相关的功能团，然后开发了一个面向片段的多尺度图注意网络，用于分子性质预测，该网络被称为FraGAT，并在几个广泛使用的基准上进行了实验来评估FraGAT。实验结果表明，FraGAT在大多数情况下实现了最先进的预测性能。此外，研究表明，当用于表示分子图的片段含有官能团时，该模型可以做出更好的预测，这符合预期，并证明了模型的可解释性。

论文链接：

https://academic.oup.com/bioinformatics/article/37/18/2981/6189082?searchresult=1

Github链接：

https://github.com/ZiqiaoZhang/FraGAT

二

论文题目：

Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction 论文摘要：

表征药物-蛋白质相互作用（DPI）对于药物发现的高通量筛选至关重要。基于深度学习的方法可以预测DPI不需要人为的试验和错误。然而，由于数据标记需要大量的资源，可用的蛋白质数据规模相对较小，从而降低了模型性能。作者提出了两种方法来构建一个深度学习框架，该框架在小规模的标记数据集下表现出卓越的性能。首先，在编码蛋白质序列时使用预训练模型的迁移学习，以无监督的方式训练序列表征；其次，使用贝叶斯神经网络，通过估计数据的不确定性来建立一个稳健的模型，由此得到的模型在预测分子和蛋白质之间的相互作用方面比以前的基线表现得更好。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab346/6274647?searchresult=1 Github链接：

https://github.com/QHwan/PretrainDPI

三

论文题目：

TGSA: protein–protein association-based twin graph neural networks for drug response prediction with similarity augmentation

论文摘要：

由于现有的方法忽略了基因之间的潜在关系以及药物之间的相似性，于是作者提出了一个DRP框架，称为TGSA，以更好地利用领域知识。TGSA包括用于药物反应预测的双图神经网络（TGDRP）和相似性增强（SA）模块，以融合细粒度和粗粒度的信息。具体来说，TGDRP将细胞系抽象为基于STRING蛋白-蛋白关联网络的图，并使用图神经网络（GNN）进行表示学习。SA将DRP看作是一个异质图上的边缘回归问题，并利用GNNs来平滑类似细胞系或药物的表示。此外，作者还引入了一个辅助的预训练策略，以弥补已确定的数据稀缺和分布外泛化差的局限性。在GDSC2数据集上进行的实验表明，TGSA在各种实验设置下始终优于所有最先进的基线，作者还通过消融实验进一步评估了TGSA的每个组成部分的有效性和贡献。

论文链接：

https://academic.oup.com/bioinformatics/advance-article-abstract/doi/10.1093/bioinformatics/btab650/6374919?redirectedFrom=fulltext

Github链接：

https://github.com/violet-sto/TGSA

四

论文题目：

Polypharmacy side-effect prediction with enhanced interpretability based on graph feature attention network 论文摘要：

在新药开发中应仔细考虑多药联用的副作用，然而考虑所有导致多药性副作用的相互作用是具有挑战性的。图形神经网络（GNN）模型已经成功地处理了这些复杂的相互作用，并显示出巨大的预测性能，然而，GNN模型很难为生物医学和制药领域提供可理解的预测因素。因此作者提出了一种新的方法，即图特征注意网络（GFAN），通过强调不同的目标基因来实现对多药副作用的可解释性预测。同时为了人为地模拟两种不同药物同时服用的情况，作者利用图论中线图的概念制定了一个节点分类问题，以及用基准数据集进行的实验验证了GFAN的可解释性，并证明了与之前工作中的图注意网络的竞争性能。在多药副作用预测实验中表明，GFAN模型能够准确提取每个副作用预测的目标基因。