دومبلينج GNN: الشبكة العصبية الرسومية الهجينة تمكن من التنبؤ الأفضل بنشاط حمولة ADC على أساس البنية الكيميائية

المركبات المضادة للمرض مع الأدوية (ADCs) ظهرت كصنف واعد من العلاجات المستهدفة للسرطان، ولكن تصميم وتحسين الحمولات السامة لها لا يزال يمثل تحديًا. تقدم هذه الدراسة DumplingGNN، وهي هندسة عصبية جديدة مختلطة مصممة خصيصًا لتنبؤ نشاط حمولات المركبات المضادة للمرض مع الأدوية (ADC) بناءً على البنية الكيميائية. من خلال دمج شبكات العصبونات المرسلة للرسائل (MPNN)، وشبكات العصبونات الانتباهية الرسومية (GAT)، وطبقات GraphSAGE، يتمكن DumplingGNN من التقاط الخصائص الجزيئية متعددة المقاييس والاستفادة من المعلومات الطوبولوجية ثنائية الأبعاد والهيكلية ثلاثية الأبعاد. قمنا بتقييم DumplingGNN على مجموعة بيانات شاملة لحمولات ADC تركز على مثبطات DNA Topoisomerase I، وكذلك على عدة مقاييس عامة من MoleculeNet. حقق DumplingGNN أداءً رائدًا في العديد من المجموعات البيانات، بما في ذلك BBBP (96.4٪ ROC-AUC)، ToxCast (78.2٪ ROC-AUC)، وPCBA (88.87٪ ROC-AUC). وفي مجموعة بياناتنا المتخصصة لحمولات ADC، أظهرت الدقة الاستثنائية (91.48٪)، والحساسية (95.08٪)، والدقة الخاصة (97.54٪). تؤكد دراسات الإلغاء التأثير التآزري لهندسة العصبيات المختلطة والدور الحاسم للمعلومات الهيكلية ثلاثية الأبعاد في تعزيز الدقة التنبؤية. توفر القابلية للتفسير القوية للنموذج، التي تمكّنها الآليات الانتباهية، رؤى قيمة حول العلاقات بين البنية والنشاط. يمثل DumplingGNN تقدمًا كبيرًا في تنبؤ خصائص الجزيئات، مع وعد خاص بتسريع تصميم وتحسين حمولات ADC في تطوير العلاج المستهدف للسرطان.