AttentionSiteDTI: ein interpretierbares, graphenbasiertes Modell zur Vorhersage von Arzneimittel-Ziel-Protein-Interaktionen mittels NLP-Relationserkennung auf Satzebene

In dieser Studie stellen wir ein interpretierbares, graphenbasiertes tiefes Lernmodell zur Vorhersage von Arzneimittel–Ziel-Interaktionen vor, namens AttentionSiteDTI, das Protein-Bindungsstellen sowie eine Selbst-Attention-Mechanismus nutzt, um das Problem der Vorhersage von Arzneimittel–Ziel-Wechselwirkungen zu adressieren. Unser vorgeschlagenes Modell wurde von Modellen zur Satz-Klassifikation im Bereich der Natural Language Processing inspiriert, bei denen das Arzneimittel–Ziel-Komplex als Satz mit semantischen Beziehungen zwischen seinen biochemischen Entitäten – also Protein-Pockets und Arzneimittel-Molekülen – betrachtet wird. AttentionSiteDTI ermöglicht Interpretierbarkeit, indem es diejenigen Protein-Bindungsstellen identifiziert, die den stärksten Beitrag zur Arzneimittel–Ziel-Interaktion leisten. Ergebnisse auf drei Benchmark-Datensätzen zeigen eine verbesserte Leistung im Vergleich zu aktuellen State-of-the-Art-Modellen. Besonders hervorzuheben ist, dass unser Modell im Gegensatz zu früheren Studien auch bei der Vorhersage für neue Proteine (d. h. hohe Verallgemeinerungsfähigkeit) überzeugende Ergebnisse erzielt. Durch eine multidisziplinäre Zusammenarbeit führen wir zudem eine experimentelle Bewertung des praktischen Potenzials unseres Ansatzes durch. Dazu berechnen wir zunächst die Bindungsinteraktionen zwischen ausgewählten Verbindungen und einem Zielprotein, validieren anschließend die Interaktionen dieser Paare im Labor experimentell. Die hohe Übereinstimmung zwischen den computergestützt vorhergesagten und experimentell beobachteten (gemessenen) Arzneimittel–Ziel-Interaktionen unterstreicht das Potenzial unserer Methode als effektives Vorfilterwerkzeug in Anwendungen zur Arzneimittel-Repurposing.