利用深度迁移学习靶向GPCRs的配体活性预测 |
| |
作者姓名: | 汤丽华 卢宁 兰闯闯 陈荣华 吴建盛 |
| |
作者单位: | 1. 南京邮电大学地理与生物信息学院;2. 南京邮电大学通信与信息工程学院;3. 常州市第一人民医院神经外科 |
| |
基金项目: | 国家自然科学基金(61872198,61971216,81771478,81973512);;江苏省科技厅基础研究计划(自然科学基金)面上项目(BK20201378); |
| |
摘 要: | G蛋白偶联受体(GPCRs)是最重要的药物靶标之一,约占市场上药物靶标的34%。药物发现过程中,配体生物活性的准确建模和解释对于筛选苗头化合物至关重要。研究表明,同源的G蛋白偶联受体能提升配体分子生物活性的预测性能和可解释性。提出了一种新的方法 GLEM,用多任务下的深度迁移学习来预测配体的生物活性,并通过组稀疏来识别相关的关键子结构。GLEM方法在9组30个具有代表性的人类GPCR数据集上进行了实验,这些GPCRs涵盖了大部分人类GPCRs的子家族,每个GPCR数据集都包含60~3 000个配体。实验结果表明,GLEM方法在绝大多数数据集中都获得了最好的性能。与单任务学习方法相比,GLEM方法在r2上平均提升了31.72%;与深度学习方法相比,GLEM方法在r2上平均提升了22.45%。此外,还评估了不同数量的训练样本对模型性能的影响,实验发现GLEM方法在小样本情况下表现最好。
|
关 键 词: | G蛋白偶联受体(GPCRs) 扩展连通性指纹 配体活性 多任务学习 深度迁移学习 |
|
|