Identifying drug–target interactions based on graph convolutional network and deep neural network

计算机科学 卷积神经网络 人工智能 深度学习 边距(机器学习) 代表(政治) 特征学习 网络分析 机器学习 鉴定(生物学) 特征(语言学) 图形 理论计算机科学 生物 法学 哲学 政治 物理 量子力学 植物 语言学 政治学
作者
Tianyi Zhao,Yang Hu,Linda R. Valsdottir,Tianyi Zang,Jiajie Peng
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:22 (2): 2141-2150 被引量:187
标识
DOI:10.1093/bib/bbaa044
摘要

Abstract Identification of new drug–target interactions (DTIs) is an important but a time-consuming and costly step in drug discovery. In recent years, to mitigate these drawbacks, researchers have sought to identify DTIs using computational approaches. However, most existing methods construct drug networks and target networks separately, and then predict novel DTIs based on known associations between the drugs and targets without accounting for associations between drug–protein pairs (DPPs). To incorporate the associations between DPPs into DTI modeling, we built a DPP network based on multiple drugs and proteins in which DPPs are the nodes and the associations between DPPs are the edges of the network. We then propose a novel learning-based framework, ‘graph convolutional network (GCN)-DTI’, for DTI identification. The model first uses a graph convolutional network to learn the features for each DPP. Second, using the feature representation as an input, it uses a deep neural network to predict the final label. The results of our analysis show that the proposed framework outperforms some state-of-the-art approaches by a large margin.
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
阿昌2021完成签到 ,获得积分10
1秒前
652183758完成签到 ,获得积分10
6秒前
neocc123完成签到 ,获得积分10
11秒前
都要多喝水完成签到,获得积分10
12秒前
研友_ZA2B68完成签到,获得积分10
17秒前
LXZ完成签到,获得积分10
18秒前
合适醉蝶完成签到 ,获得积分10
18秒前
tzy6665完成签到,获得积分10
21秒前
dwgwushan完成签到 ,获得积分10
28秒前
Zachary完成签到 ,获得积分10
29秒前
31秒前
pfangjin完成签到 ,获得积分10
33秒前
36秒前
科研通AI2S应助小阿博采纳,获得10
39秒前
Lucas应助我可没时间狐闹采纳,获得10
40秒前
是三石啊完成签到 ,获得积分10
41秒前
人类繁殖学完成签到 ,获得积分10
43秒前
Cheney完成签到 ,获得积分10
44秒前
高挑的若雁完成签到 ,获得积分10
44秒前
赵勇完成签到 ,获得积分10
49秒前
于芋菊完成签到,获得积分0
57秒前
simpleblue完成签到 ,获得积分10
59秒前
三土有兀完成签到 ,获得积分10
59秒前
于芋菊发布了新的文献求助10
1分钟前
mm完成签到 ,获得积分10
1分钟前
鲲鹏戏龙完成签到,获得积分10
1分钟前
科研小白完成签到 ,获得积分10
1分钟前
持卿应助科研通管家采纳,获得20
1分钟前
科研通AI2S应助科研通管家采纳,获得30
1分钟前
持卿应助科研通管家采纳,获得20
1分钟前
菠萝谷波完成签到 ,获得积分10
1分钟前
1分钟前
Ashley完成签到 ,获得积分10
1分钟前
1分钟前
琉璃岁月发布了新的文献求助10
1分钟前
科研通AI2S应助小阿博采纳,获得10
1分钟前
apckkk完成签到 ,获得积分10
1分钟前
烟熏妆的猫完成签到 ,获得积分0
1分钟前
LeoYiS214完成签到,获得积分10
1分钟前
ghost完成签到 ,获得积分10
1分钟前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Cognitive Paradigms in Knowledge Organisation 2000
Effect of reactor temperature on FCC yield 2000
How Maoism Was Made: Reconstructing China, 1949-1965 800
Medical technology industry in China 600
Introduction to Spectroscopic Ellipsometry of Thin Film Materials Instrumentation, Data Analysis, and Applications 600
Shining Light on the Dark Side of Personality 400
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 3311313
求助须知:如何正确求助?哪些是违规求助? 2944006
关于积分的说明 8516867
捐赠科研通 2619447
什么是DOI,文献DOI怎么找? 1432303
科研通“疑难数据库(出版商)”最低求助积分说明 664597
邀请新用户注册赠送积分活动 649856