[Bioinformatics | 论文简读] 基于图卷积注意网络的药物相似性预测

简读分享 | 陈兴民 编辑 | 龙文韬

论文题目

Prediction of Drug-likeness using Graph Convolutional Attention Network

论文摘要

动机: 药物相似性已被广泛用作区分类药分子与非药物分子的标准。开发可靠的计算方法来预测药物相似的化合物对筛选无用的分子和加速药物发现过程至关重要。结果:该研究建立了一种基于图卷积注意网络(D-GCAN)的深度学习方法，直接从分子结构预测药物相似性。结果表明，D-GCAN模型在药物相似预测方面优于其他最先进的模型。图卷积和注意力机制的结合对模型的性能做出了重要贡献。具体而言，注意力机制的应用使准确率提高了4.0%。利用图卷积，准确率提高了6.1%。在Lipinski五规则之外的数据集和non-US数据集上的结果表明，该模型具有良好的通用性。然后，以十亿规模的GDB-13数据库为例，筛选SARS-CoV-2 3C样蛋白酶抑制剂。筛选出65种候选药物，其中大多数亚结构与现有口服药物的亚结构相似。从S-GDB13筛选的候选药物与现有药物的相似度更高，分子对接性能优于从其余GDB-13筛选的候选药物。S-GDB13筛选速度明显快于直接筛选GDB-13。总的来说，D-GCAN是一种很有前景的预测药物相似度的工具，用于选择潜在的候选药物，并通过排除无前景的候选药物和避免不必要的生物和临床试验来加速药物的发现。

论文链接

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btac676/6759368