摘要
新型药物-靶点（DT）相互作用的鉴定是药物发现过程中的重要组成部分。大多数已提出的用于预测DT相互作用的计算方法都集中在二分类问题上，其目标是确定一个DT对是否发生相互作用。然而，蛋白质-配体相互作用具有连续的结合强度值，也称为结合亲和力，而预测这一数值仍然是一个挑战。随着DT知识库中亲和力数据的增加，使得可以利用深度学习架构等高级学习技术来预测结合亲和力。在本研究中，我们提出了一种基于深度学习的模型，该模型仅使用靶点和药物的序列信息来预测DT相互作用的结合亲和力。少数专注于DT结合亲和力预测的研究要么使用蛋白质-配体复合物的三维结构，要么使用化合物的二维特征。本工作中采用的一种新颖方法是通过卷积神经网络（CNNs）对蛋白质序列和化合物的一维表示进行建模。结果表明，所提出的基于深度学习的模型使用靶点和药物的一维表示是一种有效的DT结合亲和力预测方法。通过CNNs构建药物和靶点高层次表示的模型在我们的一个较大基准数据集中取得了最佳的一致性指数（Concordance Index, CI）性能，优于KronRLS算法和SimBoost——一种最先进的DT结合亲和力预测方法。