GraphDTA: predicting drug–target binding affinity with graph neural networks

计算机科学 药物重新定位 机器学习 人工智能 Python(编程语言) 药物开发 药物发现 人工神经网络 源代码 化学信息学 药物靶点 脚本语言 药品 图形 深度学习 生物信息学 理论计算机科学 药理学 程序设计语言 生物 医学
作者
Thin Nguyen,Hang Le,Thomas P. Quinn,Tri Minh Nguyen,Thuc Duy Le,Svetha Venkatesh
出处
期刊:Bioinformatics [Oxford University Press]
卷期号:37 (8): 1140-1147 被引量:500
标识
DOI:10.1093/bioinformatics/btaa921
摘要

Abstract Summary The development of new drugs is costly, time consuming and often accompanied with safety issues. Drug repurposing can avoid the expensive and lengthy process of drug development by finding new uses for already approved drugs. In order to repurpose drugs effectively, it is useful to know which proteins are targeted by which drugs. Computational models that estimate the interaction strength of new drug–target pairs have the potential to expedite drug repurposing. Several models have been proposed for this task. However, these models represent the drugs as strings, which is not a natural way to represent molecules. We propose a new model called GraphDTA that represents drugs as graphs and uses graph neural networks to predict drug–target affinity. We show that graph neural networks not only predict drug–target affinity better than non-deep learning models, but also outperform competing deep learning methods. Our results confirm that deep learning models are appropriate for drug–target binding affinity prediction, and that representing drugs as graphs can lead to further improvements. Availability of implementation The proposed models are implemented in Python. Related data, pre-trained models and source code are publicly available at https://github.com/thinng/GraphDTA. All scripts and data needed to reproduce the post hoc statistical analysis are available from https://doi.org/10.5281/zenodo.3603523. Supplementary information Supplementary data are available at Bioinformatics online.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
满意的迎南完成签到 ,获得积分10
刚刚
1秒前
雪飞杨发布了新的文献求助10
2秒前
糖糖发布了新的文献求助10
2秒前
爱静静应助李豪杰采纳,获得10
2秒前
3秒前
3秒前
一棵树完成签到,获得积分10
4秒前
雨诺发布了新的文献求助20
5秒前
6秒前
6秒前
suo完成签到,获得积分20
6秒前
无限的含羞草完成签到,获得积分10
7秒前
7秒前
8秒前
8秒前
花玥鹿完成签到,获得积分10
10秒前
南沐发布了新的文献求助10
10秒前
调皮秋发布了新的文献求助10
10秒前
bolin发布了新的文献求助10
12秒前
Tantantan发布了新的文献求助10
12秒前
nano完成签到,获得积分10
13秒前
ddj完成签到 ,获得积分10
13秒前
贺可乐发布了新的文献求助10
13秒前
14秒前
迷路世立完成签到,获得积分10
14秒前
南沐完成签到,获得积分10
17秒前
不安溪灵完成签到,获得积分10
17秒前
Charlie完成签到,获得积分10
20秒前
hkh完成签到,获得积分10
20秒前
鹏鹏完成签到,获得积分10
21秒前
123发布了新的文献求助10
21秒前
行宇完成签到,获得积分10
21秒前
林山相晚暮完成签到,获得积分10
22秒前
领导范儿应助bolin采纳,获得10
24秒前
不配.应助xelloss采纳,获得10
25秒前
25秒前
领导范儿应助雨诺采纳,获得10
26秒前
uu发布了新的文献求助30
26秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3151919
求助须知:如何正确求助?哪些是违规求助? 2803228
关于积分的说明 7852576
捐赠科研通 2460608
什么是DOI,文献DOI怎么找? 1309955
科研通“疑难数据库(出版商)”最低求助积分说明 629070
版权声明 601760