GraphDTA: Vorhersage der Arzneimittel-Ziel-Bindungsaffinität mittels Graphen-Convolutional Networks

Während die Entwicklung neuer Arzneimittel kostspielig, zeitaufwendig und häufig mit Sicherheitsproblemen verbunden ist, stellt die Arzneimittelrepositionierung – die Verwendung bereits etablierter, sicherer älterer Arzneimittel für medizinische Indikationen, die von ihnen ursprünglich nicht entwickelt wurden – eine attraktive Alternative dar. Dabei wird die Frage, wie alte Arzneimittel auf neue Zielmoleküle wirken, zu einem zentralen Aspekt der Arzneimittelrepositionierung und gewinnt zunehmend an Interesse. Mehrere statistische und maschinelle Lernmodelle wurden vorgeschlagen, um die Bindungsaffinität zwischen Arzneimitteln und Zielmolekülen abzuschätzen, wobei tiefgreifende Lernansätze sich als zu den führenden Methoden erweisen konnten. Allerdings wurden in diesen Modellen die Arzneimittel und Zielmoleküle üblicherweise als eindimensionale Strings dargestellt, obwohl Moleküle naturgemäß durch die chemische Bindung von Atomen entstehen. In dieser Arbeit stellen wir GraphDTA vor, um die strukturellen Informationen von Arzneimitteln besser zu erfassen und möglicherweise die Vorhersagegenauigkeit der Affinität zu verbessern. Insbesondere unterscheidet sich unser Ansatz von konkurrierenden Methoden dadurch, dass Arzneimittel als Graphen dargestellt und graphenbasierte Faltungsnetze (Graph Convolutional Networks) eingesetzt werden, um die Bindungsaffinität zwischen Arzneimittel und Zielmolekül zu lernen. Wir testen unsere Methode an zwei etablierten Benchmark-Datenbanken für die Bindungsaffinität von Arzneimitteln und Zielmolekülen und vergleichen die Leistung mit aktuellen state-of-the-art-Modellen. Die Ergebnisse zeigen, dass unser vorgeschlagener Ansatz nicht nur die Vorhersagegenauigkeit gegenüber nicht-tiefen Lernmodellen verbessert, sondern auch konkurrierende tiefgreifende Lernansätze übertrifft. Dies belegt die praktischen Vorteile einer graphenbasierten Darstellung von Molekülen für die präzise Vorhersage der Arzneimittel-Zielmolekül-Affinität. Die Anwendung könnte darüber hinaus auch auf beliebige Empfehlungssysteme ausgedehnt werden, bei denen entweder die Nutzer- oder die Produktseite oder beide als Graphen modelliert werden können.