清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

ColdDTA: Utilizing data augmentation and attention-based feature fusion for drug-target binding affinity prediction

水准点(测量) 计算机科学 一般化 人工智能 特征(语言学) 机器学习 接收机工作特性 均方误差 集合(抽象数据类型) 一致性(知识库) 数据挖掘 数学 统计 数学分析 语言学 哲学 大地测量学 程序设计语言 地理
作者
Kejie Fang,Yiming Zhang,Shiyu Du,Jian He
出处
期刊:Computers in Biology and Medicine [Elsevier]
卷期号:164: 107372-107372 被引量:6
标识
DOI:10.1016/j.compbiomed.2023.107372
摘要

Accurate prediction of drug-target affinity (DTA) plays a crucial role in drug discovery and development. Recently, deep learning methods have shown excellent predictive performance on randomly split public datasets. However, verifications are still required on this splitting method to reflect real-world problems in practical applications. And in a cold-start experimental setup, where drugs or proteins in the test set do not appear in the training set, the performance of deep learning models often significantly decreases. This indicates that improving the generalization ability of the models remains a challenge. To this end, in this study, we propose ColdDTA: using data augmentation and attention-based feature fusion to improve the generalization ability of predicting drug-target binding affinity. Specifically, ColdDTA generates new drug-target pairs by removing subgraphs of drugs. The attention-based feature fusion module is also used to better capture the drug-target interactions. We conduct cold-start experiments on three benchmark datasets, and the consistency index (CI) and mean square error (MSE) results on the Davis and KIBA datasets show that ColdDTA outperforms the five state-of-the-art baseline methods. Meanwhile, the results of area under the receiver operating characteristic (ROC-AUC) on the BindingDB dataset show that ColdDTA also has better performance on the classification task. Furthermore, visualizing the model weights allows for interpretable insights. Overall, ColdDTA can better solve the realistic DTA prediction problem. The code has been available to the public.
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
salty完成签到 ,获得积分10
刚刚
桐桐应助123采纳,获得10
10秒前
Shandongdaxiu完成签到 ,获得积分10
13秒前
HCKACECE完成签到 ,获得积分10
20秒前
Vicky完成签到 ,获得积分10
21秒前
24秒前
丰富的绮山完成签到,获得积分10
24秒前
烟花应助科研通管家采纳,获得30
28秒前
Akim应助科研通管家采纳,获得30
28秒前
123发布了新的文献求助10
30秒前
段采萱完成签到 ,获得积分10
31秒前
Ava应助123采纳,获得30
41秒前
leng完成签到 ,获得积分10
48秒前
dragonhmw完成签到 ,获得积分10
50秒前
烟花应助依居采纳,获得10
57秒前
玉一一完成签到 ,获得积分10
1分钟前
哈拉斯完成签到,获得积分10
1分钟前
1分钟前
依居发布了新的文献求助10
1分钟前
蓝胖胖蓝完成签到,获得积分10
1分钟前
1分钟前
稀松完成签到,获得积分10
1分钟前
1分钟前
陌子完成签到 ,获得积分10
1分钟前
zjq完成签到 ,获得积分10
1分钟前
1分钟前
飞云完成签到 ,获得积分10
2分钟前
铁妹儿完成签到 ,获得积分10
2分钟前
SHD完成签到 ,获得积分10
2分钟前
煜琪完成签到 ,获得积分10
2分钟前
高贵逍遥完成签到 ,获得积分10
3分钟前
wyh295352318完成签到 ,获得积分10
3分钟前
jie完成签到 ,获得积分10
3分钟前
さくま完成签到,获得积分10
3分钟前
啥时候能早睡完成签到 ,获得积分10
3分钟前
dbdxyty完成签到,获得积分10
3分钟前
沉香如兰完成签到,获得积分10
3分钟前
幸福安康完成签到 ,获得积分10
3分钟前
mark33442完成签到,获得积分10
3分钟前
qq完成签到 ,获得积分10
3分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 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 3052644
求助须知:如何正确求助?哪些是违规求助? 2709863
关于积分的说明 7418252
捐赠科研通 2354395
什么是DOI,文献DOI怎么找? 1246007
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921