AttentionSiteDTI : un modèle interprétable basé sur les graphes pour la prédiction des interactions médicament-cible utilisant une classification relationnelle au niveau des phrases NLP

Dans cette étude, nous introduisons un modèle prédictif fondé sur les réseaux et interprétable, appelé AttentionSiteDTI, qui exploite les sites de liaison protéiques ainsi qu’un mécanisme d’attention auto-associative pour résoudre le problème de la prédiction des interactions médicament-cible. Notre modèle s’inspire des modèles de classification de phrases en traitement du langage naturel (NLP), dans lesquels le complexe médicament-cible est considéré comme une phrase portant une signification relationnelle entre ses entités biochimiques, à savoir les poches protéiques et la molécule médicamenteuse. AttentionSiteDTI permet une interprétabilité en identifiant les sites de liaison protéiques qui contribuent le plus à l’interaction médicament-cible. Les résultats obtenus sur trois jeux de données de référence montrent une performance améliorée par rapport aux modèles actuellement les plus avancés. Plus significativement, contrairement aux études antérieures, notre modèle présente une performance supérieure lorsqu’il est testé sur de nouvelles protéines (c’est-à-dire une grande généralisation). Grâce à une collaboration pluridisciplinaire, nous évaluons également expérimentalement le potentiel pratique de notre approche. Pour ce faire, nous prédisons d’abord, de manière computationnelle, les interactions de liaison entre certains composés candidats et une protéine cible, puis nous validons expérimentalement ces interactions de liaison en laboratoire. L’important degré de concordance entre les interactions prédites de façon computationnelle et celles observées (mesurées) expérimentalement illustre le potentiel de notre méthode comme outil de pré-sélection efficace dans les applications de réaffectation de médicaments.