Aufmerksamkeitsbasierte Multi-Eingangs-Tiefe-Lern-Architektur für die Vorhersage biologischer Aktivität: Eine Anwendung bei EGFR-Hemmern

Maschinelles Lernen und Deep Learning haben in den letzten Jahrzehnten an Popularität gewonnen und bei der Arzneimittelentdeckung großen Erfolg erzielt. Historisch gesehen wurden Modelle des maschinellen Lernens und Deep Learnings entweder auf strukturellen Daten oder chemischen Eigenschaften getrennt trainiert. In dieser Studie schlagen wir eine Architektur vor, die beide Datentypen gleichzeitig trainiert, um die Gesamtleistung zu verbessern. Anhand der molekularen Struktur in Form von SMILES-Notation und deren Label generierten wir eine SMILES-basierte Merkmalsmatrix sowie molekulare Deskriptoren. Diese Daten wurden in einem Deep-Learning-Modell trainiert, das auch mit dem Aufmerksamkeitsmechanismus (Attention mechanism) integriert wurde, um das Training und die Interpretation zu erleichtern. Experimente zeigten, dass unser Modell die Vorhersageleistung im Vergleich zum Referenzmodell verbessern konnte. Bei der Kreuzvalidierung am Datensatz von EGFR-Inhibitoren erreichte unsere Architektur ein maximales MCC von 0,58 und einen AUC von 90 %, wodurch sie das Referenzmodell übertraf. Wir integrierten den Aufmerksamkeitsmechanismus erfolgreich in unser Modell, was zur Interpretation des Einflusses chemischer Strukturen auf die Biowirksamkeit beitrug.