亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

CrossLinker: Aligning Relational and Sequential Contexts for Drug-Target Interaction Prediction in Cold-Start and Few-Shot Scenarios

计算机科学 人工智能 一般化 代表(政治) 机器学习 统计关系学习 特征学习 序列(生物学) 机制(生物学) 自然语言处理 训练集 特征(语言学) 序列学习 依赖关系(UML) 深度学习 对比度(视觉) 关系数据库 关系(数据库)
作者
Zhenxiang Xu,Jiayi Que,Yue Hong,Lantian Yao,Juan Liu,Xiangrong Liu
出处
期刊:Journal of Chemical Information and Modeling [American Chemical Society]
卷期号:66 (7): 4257-4267
标识
DOI:10.1021/acs.jcim.5c03216
摘要

Accurate prediction of drug-target interactions (DTIs) is foundational to drug development. Over the years, representation learning methods based on sequences and relational knowledge have shown considerable promise in this field. However, DTI prediction remains a challenging task, particularly in cold-start settings and few-shot scenarios involving novel drugs or proteins. Therefore, we propose a novel DTI prediction framework. To enhance the model's generalization in settings with scarce labels and unseen entities, we introduce a link-based contrastive learning strategy. Instead of aligning entity-level global features, this strategy aligns fine-grained local features derived from both the sequence and relational modalities. Complementing this, we introduce a link-based cross-attention mechanism. This mechanism captures contextual features specific to individual drug-protein pairs conditioned on different links, providing necessary local features for contrastive learning strategies. Our model was evaluated on both cold-start and few-shot datasets involving unseen drugs or proteins, and significantly outperformed state-of-the-art (SOTA) methods. Furthermore, when evaluated in conventional data-rich settings, our model still demonstrates superior performance over current approaches.
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
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
1秒前
碧蓝山灵完成签到,获得积分10
1秒前
吴老师完成签到 ,获得积分10
4秒前
7秒前
平常心完成签到,获得积分10
13秒前
丫丫完成签到 ,获得积分10
18秒前
www发布了新的文献求助10
18秒前
19秒前
Gilgardea完成签到,获得积分10
23秒前
曾经凌萱发布了新的文献求助10
25秒前
30秒前
mmyhn发布了新的文献求助10
32秒前
小蘑菇的应助被曾经凌萱采纳,获得10
32秒前
36秒前
21完成签到 ,获得积分10
40秒前
孤独的富完成签到,获得积分10
40秒前
mmyhn发布了新的文献求助10
41秒前
42秒前
Owen的应助被小小昌采纳,获得10
48秒前
平常心发布了新的文献求助10
48秒前
53秒前
1分钟前
追寻醉易完成签到,获得积分10
1分钟前
369ninja发布了新的文献求助10
1分钟前
爱打乒乓球完成签到,获得积分10
1分钟前
和谐如彤完成签到,获得积分10
1分钟前
1分钟前
1分钟前
1分钟前
菌菌的应助被科研通管家采纳,获得10
1分钟前
菌菌的应助被科研通管家采纳,获得10
1分钟前
CAOHOU的应助被科研通管家采纳,获得10
1分钟前
1分钟前
1分钟前
科研通AI6.4的应助被www采纳,获得10
1分钟前
俊秀的箴完成签到,获得积分10
1分钟前
westwick发布了新的文献求助30
1分钟前
2分钟前
westwick完成签到 ,获得积分10
2分钟前
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8179850
求助须知:如何正确求助?哪些是违规求助? 9570035
关于积分的说明 21808147
捐赠科研通 7775536
什么是DOI,文献DOI怎么找? 3433157
关于科研通互助平台的介绍 2557278
邀请新用户注册赠送积分活动 2478844