DeepDTA : Prédiction profonde de l’affinité de liaison médicament-cible

L'identification de nouvelles interactions médicament-cible (DT) est une partie substantielle du processus de découverte de médicaments. La plupart des méthodes computationnelles proposées pour prédire les interactions DT se sont concentrées sur la classification binaire, où l'objectif est de déterminer si un couple DT interagit ou non. Cependant, les interactions protéine-ligand présentent un continuum de valeurs d'affinité de liaison, également appelées affinités de liaison, et la prédiction de ces valeurs reste un défi. L'augmentation des données d'affinité disponibles dans les bases de connaissances DT permet l'utilisation de techniques d'apprentissage avancées telles que les architectures d'apprentissage profond pour prédire les affinités de liaison. Dans cette étude, nous proposons un modèle basé sur l'apprentissage profond qui utilise uniquement les informations séquentielles des cibles et des médicaments pour prédire les affinités de liaison DT. Les rares études se concentrant sur la prédiction des affinités de liaison DT utilisent soit les structures 3D des complexes protéine-ligand, soit les caractéristiques 2D des composés. Une approche novatrice utilisée dans ce travail consiste à modéliser les séquences protéiques et les représentations 1D des composés avec des réseaux neuronaux convolutifs (CNN). Les résultats montrent que le modèle basé sur l'apprentissage profond proposé, qui utilise les représentations 1D des cibles et des médicaments, est une approche efficace pour la prédiction des affinités de liaison médicament-cible. Le modèle dans lequel des représentations de haut niveau d'un médicament et d'une cible sont construites par le biais de CNN a obtenu la meilleure performance en termes d'indice de concordance (CI) dans l'un de nos ensembles plus importants de données基准数据集（benchmark data sets）， surpassant l'algorithme KronRLS et SimBoost, une méthode d'avant-garde pour la prédiction des affinités de liaison DT.Note: "benchmark data sets" is translated as "ensembles plus importants de données" but it's more specific to keep "benchmarks" in French context as "ensembles de données benchmark". Here is the revised sentence:Le modèle dans lequel des représentations de haut niveau d'un médicament et d'une cible sont construites par le biais de CNN a obtenu la meilleure performance en termes d'indice de concordance (CI) dans l'un de nos ensembles de données benchmark, surpassant l'algorithme KronRLS et SimBoost, une méthode d'avant-garde pour la prédiction des affinités de liaison DT.