首页 > 其他分享 >2024 nature| 基于motif(模体)的药物相互作用预测——采用局部和全局自注意力机制

2024 nature| 基于motif(模体)的药物相互作用预测——采用局部和全局自注意力机制

时间:2024-11-07 16:44:39浏览次数:6  
标签:motif 药物 nature 模型 子结构 2024 DDI MeTDDI

【声明:本文是采用模体结构和注意力机制进药物作用预测,抽象到理论可以看作在复杂网络上进行模体和结构的链路预测。文章出处如下】
在这里插入图片描述
论文出处:https://www.nature.com/articles/s42256-024-00888-6

1.摘要:

药物-药物相互作用(DDIs)是制药研究和临床应用中的重要问题,因为它们可能导致严重的不良反应或药物撤市。许多深度学习模型在DDI预测中取得了很高的性能,但在揭示DDI潜在原因的模型可解释性方面尚未得到广泛探索。作者提出了一种名为MeTDDI的深度学习框架,它结合了局部-全局自注意力机制和协同注意力机制,用于学习motif-based graphs进行DDI预测。与最先进的模型相比,MeTDDI在性能上表现出竞争力。在可解释性方面,作者对73种药物和13,786个DDIs进行了广泛评估,MeTDDI能够精确解释涉及58种药物的5,602个DDIs的结构机制。此外,MeTDDI在解释复杂的DDI机制和减轻DDI风险方面展现了潜力。综上所述,MeTDDI为探索DDI机制提供了新的视角,将有助于药物发现和多药治疗,为患者提供更安全的治疗方案。

2.DDI的挑战:

DDI预测面临以下几个挑战:复杂的分子结构:药物结构往往十分复杂,尤其是在分子内部和分子之间的子结构相互作用方面。传统的图神经网络(GNN)往往无法有效捕捉远距离子结构之间的相互作用信息。代谢相关的相互作用预测:许多DDI是通过药物对代谢酶的抑制或诱导实现的,这种代谢相关的相互作用难以精确预测。模型可解释性:现有的模型虽然在预测准确性上有所突破,但很难解释药物相互作用的具体机制。这对于药物研发和临床应用尤为重要。

3.模型架构详解:

MeTDDI的核心创新在于结合了基于motif-based graphs的分子结构学习和局部-全局自注意力机制。模型由两部分组成:motif嵌入学习和共同注意力机制。

3.1motif嵌入学习

分子图中的每个节点代表一个原子,边表示原子间的键。为了更好地捕捉药物的关键子结构,MeTDDI使用了一种基于回溯有趣化学子结构(BRICS)的算法,将分子图拆解为多个motif。每个motif代表一个化学功能团或子结构,保留了分子中的关键信息。模型通过Transformer Encoder学习这些motif的嵌入,公式如下:
在这里插入图片描述
其中,W1和W2是可训练矩阵,b1和b2是偏置项,GELU是激活函数。
在这里插入图片描述

3.2局部-全局自注意力机制

为了捕捉分子结构中相距较远但相互作用重要的子结构,MeTDDI在Transformer的基础上做了改进,加入了局部和全局的注意力机制。局部注意力关注邻近节点的信息传递,帮助模型学习分子内部的功能团连接;全局注意力则捕捉远距离子结构的关联。
局部注意力的计算公式为:
在这里插入图片描述
全局注意力则通过引入距离矩阵R,控制对距离较远节点的关注:
在这里插入图片描述

3.3共同注意力机制

在实际的DDI预测任务中,药物之间的相互作用并不是简单的直接作用,而是通过共同影响某些代谢酶来实现的。MeTDDI通过共同注意力机制来捕捉两种药物在相互作用中的关键子结构。
给定两种分子a和b,Transformer Encoder生成两个节点嵌入矩阵D_a和D_b。然后计算两者之间的交互向量m0,并使用软对齐(soft alignment)机制计算出两者的注意力向量D*_a和D*_b,用于表示两种药物之间的相互作用。

4.实验结果

在这里插入图片描述
在这里插入图片描述
4.1MeTDDI在多场景预测中的优异表现
通过一系列实验,MeTDDI在多个场景中表现优异:
S1场景:预测未见过的DDIs:MeTDDI在五折交叉验证中的AUC和AUPR值优于现有基线模型,表现出极高的预测能力。
S2场景:已见药物与未见药物的组合:面对部分未知的药物组合,MeTDDI依然保持了良好的预测精度。
任务2:药物代谢预测:MeTDDI不仅能够预测药物相互作用,还可以估算药物对体内代谢酶的抑制或诱导效果,帮助临床医生优化药物剂量。

4.2MeTDDI模型对DDI机制的可解释性分析

在MeTDDI的研究中,模型不仅提高了药物-药物相互作用(DDI)的预测准确性,还提升了对相互作用背后机制的解释能力。下图为模型解释DDI机制的分析结果,分为两个部分进行展示
在这里插入图片描述
在这里插入图片描述

4.2.1模型可解释性评估

图(a)展示了对73种通过酶抑制引发MMDDIs(代谢性药物相互作用)的化学物质的解释能力评估。这些化学物质通过抑制某些代谢酶(如CYP3A4)影响药物代谢,进而引发DDIs。研究人员通过MeTDDI识别了多个化学motif,并将其与文献中报告的功能基团进行对比。
在这个分析中,模型使用了两个关键指标来评估化学motif的识别准确性:Top 1和前Top 2。图中展示了MeTDDI模型对13种常见化学motif(如1,3-苯并二恶唑、乙炔、咪唑、三氮唑等)的命中率,蓝色柱状图表示前Top 2命中率,红色柱状图表示Top 1命中率。
从图中可以看出,某些motif(如1,3-苯并二恶唑和乙炔)的命中率极高,表明MeTDDI可以准确识别出这些化学物质中的关键子结构,并且这些结构在酶抑制中起到了至关重要的作用。例如,1,3-苯并二恶唑在所有模型识别出的相互作用中,命中率高达87.6%(Top 1)。这种高命中率说明MeTDDI可以很好地理解和捕捉motif在药物相互作用中的关键作用。

4.2.2Ritonavir和Cobicistat的可视化分析

图(b)展示了MeTDDI对利托那韦和考比司他两种药物作为加害者通过抑制YP3A4/5酶引发MMDDIs的机制解释。

  1. Ritonavir:模型通过可视化显示了三种抑制CYP3A酶的主要机制。模型高亮显示了与N-去烷基化和亚铁血红素结合(Heme iron
    binding)相关的motif(CN),并指出401对DDI对中的这一结构是关键抑制点。此外,模型还展示了与共价结合(Covalent
    adduct binding)相关的子结构。

  2. Cobicistat:Cobicistat是Ritonavir的类似物,研究表明其抑制CYP3A的主要motif是thiazole环(即图中的c1cscn1)。模型高亮了这部分结构,并展示了226对DDI对中的相互作用位置。

通过这一图示的分析,MeTDDI展现了在药物-药物相互作用预测和机制解释上的强大能力。模型不仅可以识别出影响药物代谢的关键子结构,还能通过图示展示这些子结构在DDI中的作用位置。对于制药研究人员来说,这一功能极具价值,不仅可以帮助他们优化药物结构,还能减少药物不良反应的发生。

5.结语

MeTDDI模型不仅在预测药物相互作用的准确性上取得了突破,还提供了可解释性强的DDI预测方法。随着该模型不断发展,它将为药物研发、个性化医疗和多药物联合治疗提供更有力的技术支持。

标签:motif,药物,nature,模型,子结构,2024,DDI,MeTDDI
From: https://blog.csdn.net/weixin_46635477/article/details/143479891

相关文章

  • 图解析网络【Published as a conference paper at ICLR 2024】
    【文章来源:https://arxiv.org/pdf/2402.14393】摘要motivation:图池是建立在GNN之上的。它旨在通过将一组节点及其底层结构压缩为更简洁的表示来捕获图级信息。早期的图池化方法,如mean,add或pool对图中的所有节点执行排列不变操作。这些平面池化方法忽略了节点之间的区别,无......
  • #C. [GESP202409 三级] 平衡序列 核桃GESP考三级
    所以要从题目出发,优化代码思路是:1、前缀和,算出来累加和。2、通过tot*2==sum,判断是不是有相等的值。这个是数学上的优化。原错误的代码思路include<bits/stdc++.h>usingnamespacestd;intn;intmain(){  cin>>n;  for(inti=1;i<=n;i++)  { ......
  • #D. [GESP202409 三级] 回文拼接 核桃GESP考三级
    https://oj.hetao101.com/d/contest_past/p/2069?tid=67076fb1c7a03d8a4628b276这个思路错了,怎么还给排序上了。正确解题这个是不涉及字符串操作的。这个是第二种做法,会涉及函数操作。原错误的代码include<bits/stdc++.h>usingnamespacestd;intn,t,a,b;intl[10......
  • Z-Library入口网站/最新官方国内可用地址(2024持续更新)
    Z-Library,作为全球最大的数字图书馆之一,提供了一个丰富的知识资源库,包括大量的电子书和学术文章。以下是对Z-Library的详细介绍和一些实用的信息。Z-Library数字图书馆简介藏书量:Z-Library拥有超过9,826,996本电子书和84,837,646篇期刊文章,覆盖了从文学、理工学科到人文艺术......
  • 2024-2025-1 20241401 《计算机基础与程序设计》 第七周学习总结
    班级链接2024计算机基础与程序设计作业要求第七周作业作业目标①数组与链表②基于数组和基于链表实现数据结构③无序表与有序表④树⑤图⑥子程序与参数教材学习内容总结《计算机科学概论》第八章抽象数据类型:用于定义数据和对数据的操作,而不需要具体实......
  • P10161 [DTCPC 2024] 小方的疑惑 10 [构造 + 背包DP]
    P10161[DTCPC2024]小方的疑惑10Solution一开始看这题的时候,我们可能会觉得无从下手,这时不妨列出几种方案,计算它们的贡献,尝试得到一些启发。画来画去,发现无非就是并列和包含两种情况,并列就是()()()(),设它一共由\(x\)对括号组成,那么它的总贡献是\(x\times(x+1)\div......
  • 题解:P11248 [GESP202409 七级] 矩阵移动
    题目传送门题目大意给出一个nnn行mmm列的只包含0、1、?的矩......
  • 8+ 典型分析场景,25+ 标杆案例,Apache Doris 和 SelectDB 精选案例集(2024版)电子版上线
    当前,各企业正面临前所未有的数据增量,不仅体现在数据规模的急剧上升,还体现在数据的类型多样性和产生速度的加快。数据体量大固然蕴藏着更大的潜力及可能性,但如何有效利用这些数据,解决实际问题、赋能业务增长,才是各企业发展的关键。因此,企业亟需搭建高效的数据处理与分析平台,以帮......
  • “2024年:普通人如何通过AI工具实现盈利?“
    前言:随着AI技术的飞速发展,人工智能已成为创造财富的新引擎。本文将带你探索如何利用AI技术,在现代社会中开辟新的盈利渠道。从个人创业到企业转型,我们将一览AI带来的赚钱机遇,为你在智能时代的财富增长提供思路和策略。1、信息差模式现在市场上AI应用工具很多,不是所有人都......
  • NOIP2024集训Day71 贪心
    NOIP2024集训Day71贪心B.[CCO2015]饥饿的狐狸显然的,要求出最大美味值,应该先交错吃温度最大的和最小的饼干。所以我们给所有饼干按照温度排序,交替选择左右端点吃,如果喝水能够达到更大那就先喝水再吃,反正水管够。分两种情况,即左右端点谁先开始,再取个\(\operatorname{max}\)。......