초록
신약-타겟(DT) 상호작용의 식별은 약물 개발 과정에서 중요한 부분을 차지하고 있습니다. DT 상호작용을 예측하기 위해 제안된 대부분의 계산 방법들은 이진 분류에 초점을 맞추어, DT 쌍이 상호작용하는지 여부를 결정하는 데 목표를 두고 있었습니다. 그러나 단백질-리간드 상호작용은 결합 강도 값의 연속체를 가정하며, 이를 결합 친화력이라고도 하며, 이러한 값을 예측하는 것은 여전히 도전적인 문제입니다. DT 지식베이스에서 사용 가능한 결합 친화력 데이터의 증가는 결합 친화력을 예측하기 위한 고급 학습 기술, 예를 들어 딥러닝 아키텍처의 사용을 가능하게 합니다.본 연구에서는 타겟과 약물의 시퀀스 정보만을 사용하여 DT 상호작용 결합 친화력을 예측하는 딥러닝 기반 모델을 제안합니다. DT 결합 친화력 예측에 초점을 맞춘 몇몇 연구들은 단백질-리간드 복합체의 3D 구조나 화합물의 2D 특징을 사용하였습니다. 본 연구에서 사용된 새로운 접근 방식 중 하나는 컨볼루션 신경망(CNNs)을 이용하여 단백질 시퀀스와 화합물의 1D 표현을 모델링하는 것입니다. 결과는 제안된 딥러닝 기반 모델이 타겟과 약물의 1D 표현만을 사용하여 효과적인 DT 결합 친화력 예측 방법임을 보여줍니다.단약과 타겟의 고차원 표현이 CNNs 통해 구성되는 모델은 KronRLS 알고리즘과 최신 방법인 SimBoost보다 우수한 성능을 보여주며, 우리의 더 큰 벤치마크 데이터 세트 중 하나에서 가장 높은 일치성 지수(CI) 성능을 달성하였습니다.