基于圖神經(jīng)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)研究

王紅梅， 郭真俊， 張麗杰

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

0 引 言

在生物信息領(lǐng)域，預(yù)測(cè)藥物-靶標(biāo)相互作用對(duì)藥物重定位[1]和藥物發(fā)現(xiàn)[2]具有重要意義。通過(guò)實(shí)驗(yàn)來(lái)預(yù)測(cè)藥物-靶標(biāo)相互作用，實(shí)驗(yàn)成本昂貴又耗時(shí)，所以，采取有效方法預(yù)測(cè)潛在的藥物-靶標(biāo)的相互作用很有必要。大量生物實(shí)驗(yàn)數(shù)據(jù)和相關(guān)文獻(xiàn)的出現(xiàn)使生物數(shù)據(jù)庫(kù)越來(lái)越豐富，這有利于計(jì)算方法的發(fā)展。目前主流計(jì)算輔助藥物發(fā)現(xiàn)的方法主要有三種：基于相似性的方法[3]、基于深度學(xué)習(xí)的方法[4]、基于網(wǎng)絡(luò)的方法[5]，但它們均有一定的缺陷。由于圖神經(jīng)網(wǎng)絡(luò)在非歐幾里得空間的快速發(fā)展，越來(lái)越多基于圖的算法涌現(xiàn)出來(lái)，如圖卷積網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、圖自動(dòng)編碼器、圖嵌入網(wǎng)絡(luò)等。通過(guò)對(duì)數(shù)據(jù)分析，圖神經(jīng)網(wǎng)絡(luò)可以有效處理特定的數(shù)據(jù)結(jié)構(gòu)，研究人員將圖神經(jīng)網(wǎng)絡(luò)引入藥物-靶標(biāo)相互作用的預(yù)測(cè)，可以探索藥物和靶標(biāo)的深度信息，有利于藥物發(fā)現(xiàn)，提高實(shí)驗(yàn)速度，降低實(shí)驗(yàn)成本。

1 圖神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)述

神經(jīng)網(wǎng)絡(luò)最初是由Sperduti A等[6]應(yīng)用在有向無(wú)環(huán)圖上，促使了圖神經(jīng)網(wǎng)絡(luò)(GNN)的發(fā)展。Gori M等[7]最先提出圖神經(jīng)網(wǎng)絡(luò)的概念。Scarselli F等[8]和Gallicchio C等[9]對(duì)圖神經(jīng)網(wǎng)絡(luò)做了進(jìn)一步闡述。由于卷積神經(jīng)網(wǎng)絡(luò)(CNN)在視覺領(lǐng)域的成功發(fā)展，圖卷積的概念被提了出來(lái)，分為基于頻譜和基于空域兩種類型。由于卷積神經(jīng)網(wǎng)絡(luò)的興起，基于頻域的卷積網(wǎng)絡(luò)ChebNet[10]、GCN[11]、CayleyNet[12]的改進(jìn)和擴(kuò)展不斷增加。基于空域的卷積神經(jīng)網(wǎng)絡(luò)研究遠(yuǎn)早于基于頻域的卷積神經(jīng)網(wǎng)絡(luò)，DCNN[13]、PATCHY-SAN[14]、MPNN[15]、GraphSage[16]對(duì)基于空域的卷積網(wǎng)絡(luò)進(jìn)行了不斷改進(jìn)。Perozzi B等[17]提出圖嵌入網(wǎng)絡(luò)中最基本的深度隨機(jī)游走算法，除了能處理同構(gòu)圖外。Chen S等[18]提出基于異構(gòu)網(wǎng)絡(luò)的圖嵌入方法。近幾年來(lái)，許多圖神經(jīng)網(wǎng)絡(luò)的變體被開發(fā)出來(lái)，包括門控圖神經(jīng)網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、圖自動(dòng)編碼器網(wǎng)絡(luò)、圖嵌入網(wǎng)絡(luò)等。

2 基于圖神經(jīng)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)方法

2.1 基于圖注意力網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)

Lim J等[19]提出一種使用圖神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)藥物-靶標(biāo)相互作用。使用圖神經(jīng)網(wǎng)絡(luò)直接將蛋白質(zhì)-配體復(fù)合物的三維結(jié)構(gòu)信息嵌入到鄰接矩陣，可以通過(guò)鄰接矩陣了解蛋白質(zhì)-配體相互作用如何影響每個(gè)原子的節(jié)點(diǎn)特征，相比用網(wǎng)格表示三維結(jié)構(gòu)，鄰接矩陣是緊湊和旋轉(zhuǎn)不變的，比網(wǎng)格更能有效表達(dá)原子間的精確距離。為了區(qū)分每個(gè)相互作用對(duì)預(yù)測(cè)的影響，還設(shè)計(jì)了距離感知圖注意力機(jī)制[20]算法區(qū)分不同類型的分子間相互作用，此外，通過(guò)從復(fù)合物的圖形特征中減去靶蛋白和給定配體的每個(gè)特征而獲得的圖形特征來(lái)進(jìn)行差熱分析預(yù)測(cè)。這些方法使模型能夠通過(guò)關(guān)注分子間相互作用,而不是僅僅記住配體分子的某些模式來(lái)學(xué)習(xí)準(zhǔn)確的藥物-靶標(biāo)相互作用預(yù)測(cè)。

Wang S等[21]提出一個(gè)簡(jiǎn)單而高效的基于殘差圖神經(jīng)網(wǎng)絡(luò)和注意力的配體-蛋白質(zhì)結(jié)合預(yù)測(cè)模型(GanDTI)。該模型采用殘差圖神經(jīng)網(wǎng)絡(luò)來(lái)處理復(fù)合指紋數(shù)據(jù)，并形成一個(gè)向量，該向量可以將基于產(chǎn)品的注意力投射到蛋白質(zhì)序列上，以確定序列上哪部分對(duì)預(yù)測(cè)相互作用的影響最大，然后，將得到具有豐富信息的復(fù)合載體和蛋白質(zhì)特征載體連接起來(lái)，通過(guò)多層感知器進(jìn)行處理，提高了藥物-靶標(biāo)相互作用預(yù)測(cè)的有效性。

Cheng Z等[22]提出一個(gè)基于多頭自注意力機(jī)制和圖注意力網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)模型(MHSADTI)。該模型在提取蛋白質(zhì)特征時(shí)，使用全連接的自注意力機(jī)制模塊來(lái)學(xué)習(xí)具有變壓器編碼器結(jié)構(gòu)的氨基酸序列的特征信息，為了通過(guò)藥物-蛋白質(zhì)注意力網(wǎng)絡(luò)模塊預(yù)測(cè)其相互作用，使用注意力分?jǐn)?shù)來(lái)判斷蛋白質(zhì)中的氨基酸子序列對(duì)藥物的重要程度。多頭自注意力機(jī)制不僅可以解決卷積神經(jīng)網(wǎng)絡(luò)(CNN)無(wú)法獲取上下文關(guān)聯(lián)信息的問題，同時(shí)，如果氨基酸序列長(zhǎng)度過(guò)長(zhǎng)，還可以獲得RNN、LSTM等結(jié)構(gòu)無(wú)法學(xué)習(xí)的序列中的長(zhǎng)依賴信息。在提取藥物特征時(shí)，因?yàn)閳D注意力網(wǎng)絡(luò)可對(duì)不同鄰域內(nèi)的不同節(jié)點(diǎn)指定不同權(quán)重，所以，使用圖注意力網(wǎng)絡(luò)代替了圖卷積網(wǎng)絡(luò)，避免了噪聲對(duì)圖中節(jié)點(diǎn)產(chǎn)生影響，并且進(jìn)一步提高了圖的代表性特征向量的有效性，拼接藥物和蛋白質(zhì)的特征通過(guò)全連接層和分類器進(jìn)行藥物-靶標(biāo)相互作用預(yù)測(cè)。

盡管此模型的性能不錯(cuò)，但是在模型的數(shù)據(jù)輸入中，只使用了藥物和蛋白質(zhì)的結(jié)構(gòu)特征信息中的一維數(shù)據(jù)表示，然而，藥物和蛋白質(zhì)實(shí)際上具有很復(fù)雜的空間結(jié)構(gòu)，導(dǎo)致在預(yù)測(cè)中丟失了很多藥物和蛋白質(zhì)的高級(jí)特征信息。其次，在模型的輸入中，該模型只使用了藥物和蛋白質(zhì)的生物表示數(shù)據(jù)，未能將更全面的生物數(shù)據(jù)整合到深度學(xué)習(xí)模型中以提高預(yù)測(cè)性能。

2.2 基于網(wǎng)絡(luò)嵌入的藥物-靶標(biāo)相互作用預(yù)測(cè)

Lu Z等[23]提出一種異構(gòu)網(wǎng)絡(luò)嵌入模型來(lái)預(yù)測(cè)藥物與靶標(biāo)的相互作用(HNEDTI)。該模型通過(guò)為藥物相似度矩陣和靶標(biāo)相似度矩陣分別設(shè)置兩個(gè)相似度閾值參數(shù)，過(guò)濾相似度較低的邊，然后用已知的藥物相關(guān)網(wǎng)絡(luò)和靶標(biāo)相關(guān)網(wǎng)絡(luò)構(gòu)建藥物-靶標(biāo)異質(zhì)網(wǎng)絡(luò)。該模型可以通過(guò)從不同長(zhǎng)度的元路徑中提取異構(gòu)網(wǎng)絡(luò)的局部和全局信息，不僅解決了大多數(shù)基于網(wǎng)絡(luò)的方法不能發(fā)現(xiàn)全局網(wǎng)絡(luò)信息的問題，同時(shí)，與傳統(tǒng)的基于機(jī)器學(xué)習(xí)的方法相比，該方法可以更準(zhǔn)確地學(xué)習(xí)藥物和靶標(biāo)的特征表示。最后將藥物和靶標(biāo)的低維特征表示向量通過(guò)隨機(jī)森林模型，預(yù)測(cè)給定的藥物-靶標(biāo)對(duì)是否存在相互作用。

Hu F等[24]提出一種基于關(guān)系拓?fù)涞漠悩?gòu)網(wǎng)絡(luò)嵌入方法來(lái)預(yù)測(cè)藥物與靶標(biāo)的相互作用(RTHNE_DTI)。該模型利用藥物和靶標(biāo)之間豐富的外部關(guān)系構(gòu)建了一個(gè)異構(gòu)網(wǎng)絡(luò)，根據(jù)異構(gòu)網(wǎng)絡(luò)中節(jié)點(diǎn)之間關(guān)系的不同拓?fù)浣Y(jié)構(gòu)，考慮藥物與靶標(biāo)的拓?fù)浣Y(jié)構(gòu)和不同的關(guān)系類型，將關(guān)系分為從屬關(guān)系和對(duì)等關(guān)系兩種類型，并為它們構(gòu)建不同的模型，以更好地捕捉節(jié)點(diǎn)之間豐富的拓?fù)湫畔⒓罢Z(yǔ)義信息，該方法解決了傳統(tǒng)的異構(gòu)網(wǎng)絡(luò)方法中使用單一模型處理所有關(guān)系的問題。該模型在帶有標(biāo)簽的網(wǎng)絡(luò)和未帶標(biāo)簽的網(wǎng)絡(luò)都能獲得不錯(cuò)的預(yù)測(cè)性能。

2.3 基于圖卷積網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)

Cheung M等[25]提出一種圖神經(jīng)網(wǎng)絡(luò)模型(GNNs)用于新冠肺炎(COVID-19)藥物發(fā)現(xiàn)。該模型是將拓?fù)渥赃m應(yīng)圖卷積網(wǎng)絡(luò)(TAGCN)應(yīng)用到消息傳遞網(wǎng)絡(luò)(MPNN)中，得到拓?fù)渥赃m應(yīng)消息傳遞神經(jīng)網(wǎng)絡(luò)(TAMPNN)，通過(guò)將聚合節(jié)點(diǎn)的K階鄰居信息，應(yīng)用非線性激活函數(shù)進(jìn)行預(yù)測(cè)，在兩個(gè)冠狀病毒數(shù)據(jù)集上表現(xiàn)良好，有助于新冠肺炎(COVID-19)藥物的發(fā)現(xiàn)。

Gao K Y等[26]提出一個(gè)端到端神經(jīng)網(wǎng)絡(luò)模型(E2E)，直接從低層表示預(yù)測(cè)藥物-靶標(biāo)相互作用。該模型將原始信息作為輸入，使用長(zhǎng)短期記憶遞歸神經(jīng)網(wǎng)絡(luò)和基于圖卷積神經(jīng)網(wǎng)絡(luò)將蛋白質(zhì)和藥物結(jié)構(gòu)投影到密集的向量空間中，為了區(qū)分每個(gè)相互作用對(duì)預(yù)測(cè)的影響，使用雙向注意力機(jī)制計(jì)算藥物和蛋白質(zhì)之間如何相互作用，最后，基于注意力的向量表示通過(guò)分類器進(jìn)行預(yù)測(cè)。由于已知只有小部分蛋白質(zhì)是化合物的目標(biāo)，該方法能夠很好地推廣到新蛋白質(zhì)(在訓(xùn)練數(shù)據(jù)中未看到的)，這有利于藥物發(fā)現(xiàn)。

Torny W等[27]提出一個(gè)圖卷積框架來(lái)預(yù)測(cè)蛋白質(zhì)與配體的相互作用(Graph-CNN)。首先，該模型構(gòu)建了一個(gè)無(wú)監(jiān)督圖自動(dòng)編碼器，從一組有代表性的藥物-蛋白質(zhì)結(jié)合位點(diǎn)學(xué)習(xí)固定大小的蛋白質(zhì)口袋表示。其次，由于模型訓(xùn)練完全是由綁定的分類標(biāo)簽驅(qū)動(dòng)的，所以分別構(gòu)建一個(gè)口袋圖和一個(gè)配體圖,從口袋圖和二維配體圖中自動(dòng)提取特征，不需要蛋白質(zhì)配體復(fù)合物作為輸入。最后，該模型通過(guò)一個(gè)全連接層預(yù)測(cè)蛋白質(zhì)和配體之間的相互作用。

Manoochehri H E等[28]提出用圖卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)藥物-靶標(biāo)的相互作用。該方法將藥物-靶標(biāo)的相互作用預(yù)測(cè)建模為圖上的多標(biāo)簽鏈接預(yù)測(cè)問題，考慮不同的邊類型，通過(guò)用圖卷積編碼器為異構(gòu)圖中的每個(gè)節(jié)點(diǎn)創(chuàng)建特征向量，解碼器通過(guò)特征向量捕獲藥物-蛋白質(zhì)的相互作用，重構(gòu)邊標(biāo)簽，通過(guò)損失函數(shù)進(jìn)行優(yōu)化，是一個(gè)以端到端的方式直接在完整的異構(gòu)圖上應(yīng)用編碼器和解碼器技術(shù)。該方法是將原來(lái)GraphSage[16]方法擴(kuò)展到異構(gòu)藥物-靶標(biāo)網(wǎng)絡(luò)，將不同類型的相互作用產(chǎn)生的嵌入用獨(dú)立的權(quán)重進(jìn)行聚合，并將不同類型鏈接聚合的嵌入簡(jiǎn)單總結(jié)，無(wú)區(qū)別地生成最終嵌入。

Jin X等[29]提出一種多分辨協(xié)作異構(gòu)圖卷積自動(dòng)編碼器(MRCH-GCAE)預(yù)測(cè)藥物-靶標(biāo)相互作用。該模型首先在每個(gè)圖卷積層中使用獨(dú)立的卷積核，協(xié)同聚合來(lái)自異構(gòu)藥物靶點(diǎn)網(wǎng)絡(luò)中不同類型鏈接學(xué)習(xí)到的嵌入信息，然后將來(lái)自異構(gòu)鏈接的聚合嵌入的三種信息進(jìn)行拼接，將連接后的嵌入輸入到一個(gè)密集神經(jīng)網(wǎng)絡(luò)中，生成節(jié)點(diǎn)的嵌入，在集成步驟中，將不斷增加的圖卷積層的輸出嵌入序列輸入到圖循環(huán)單元網(wǎng)絡(luò)(GRUs)中，以發(fā)現(xiàn)序列之間的潛在關(guān)聯(lián)，最后將GRU的輸出狀態(tài)與最后一個(gè)圖卷積層的輸出嵌入相連接，生成最終的嵌入。

Zhao T等[30]提出使用圖卷積網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)藥物-靶標(biāo)的相互作用(GCN-DTI)。該模型將邊預(yù)測(cè)問題轉(zhuǎn)換為DPP分類問題。首先，通過(guò)整合多種交互構(gòu)建由任何藥物和蛋白質(zhì)構(gòu)成的DPP網(wǎng)絡(luò)，使用圖卷積網(wǎng)絡(luò)從DPP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)中學(xué)習(xí)每個(gè)DPP的特征，最后使用深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)DPP的標(biāo)簽。其次，將特征表示作為輸入，使用深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最終的標(biāo)簽。

Cheng S等[331]提出一個(gè)端到端網(wǎng)絡(luò)模型(GraphMs)，從低層表示預(yù)測(cè)藥物-靶標(biāo)相互作用。首先該方法遵循NeoDTI[32]的思想，將每個(gè)節(jié)點(diǎn)(不包括同一類型的節(jié)點(diǎn))的鄰域信息與其自身的嵌入集成到一個(gè)更豐富的特征表示中，將得到的特征表示使用圖卷積網(wǎng)絡(luò)編碼器計(jì)算節(jié)點(diǎn)級(jí)表示，對(duì)于藥物表示，將藥物鄰接矩陣即同構(gòu)矩陣加到其中一個(gè)單位矩陣上，然后利用拉普拉斯分解得到網(wǎng)絡(luò)矩陣，類似地，蛋白質(zhì)表示向量通過(guò)相同的步驟進(jìn)行處理。為了保證節(jié)點(diǎn)表示的可靠性，使用了互信息來(lái)衡量節(jié)點(diǎn)級(jí)和圖級(jí)表示之間的相關(guān)性，在預(yù)測(cè)部分，提出端到端的自動(dòng)編碼器預(yù)測(cè)藥物-靶標(biāo)的相互作用，有利于藥物發(fā)現(xiàn)。由于在使用圖卷積神經(jīng)網(wǎng)絡(luò)嵌入圖級(jí)表示時(shí)，訓(xùn)練參數(shù)較大，會(huì)導(dǎo)致模型訓(xùn)練時(shí)間較長(zhǎng)，所以，可以考慮使用加速算法提高計(jì)算效率。

Peng J等[33]提出一個(gè)基于異構(gòu)圖卷積網(wǎng)絡(luò)的端到端框架預(yù)測(cè)藥物-靶標(biāo)相互作用(EEG-DTI)。該模型結(jié)合多個(gè)生物網(wǎng)絡(luò)構(gòu)建異構(gòu)網(wǎng)絡(luò)，使用圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)異構(gòu)網(wǎng)絡(luò)中的邊類型信息進(jìn)行建模，得到所有節(jié)點(diǎn)在每一層的特征表示，使用三個(gè)圖卷積層，聚集了節(jié)點(diǎn)的三階鄰居信息，為了防止出現(xiàn)梯度消失等問題，將節(jié)點(diǎn)每一層的特征表示拼接起來(lái)，得到蛋白質(zhì)和藥物的特征表示，最后通過(guò)全連接層，使用內(nèi)積的方法預(yù)測(cè)藥物-靶標(biāo)之間的相互作用概率。

Zhao B W等[34]提出一種基于大規(guī)模圖形表示學(xué)習(xí)的藥物-靶標(biāo)相互作用預(yù)測(cè)方法(LGDTI)。該方法可以學(xué)習(xí)關(guān)于節(jié)點(diǎn)的三種信息，包括節(jié)點(diǎn)的屬性、局部結(jié)構(gòu)和全局結(jié)構(gòu)。具體來(lái)說(shuō)，使用圖卷積網(wǎng)絡(luò)聚合圖中節(jié)點(diǎn)的一階鄰域信息，一階鄰域信息包含節(jié)點(diǎn)屬性，使用分子指紋技術(shù)[35]提取藥物屬性，使用K-mer[36]方法提取靶標(biāo)屬性；另一方面，使用隨機(jī)游走的方法對(duì)圖進(jìn)行采樣，從采樣獲得的序列來(lái)訓(xùn)練Skip-gram模型學(xué)習(xí)節(jié)點(diǎn)的高階鄰域信息，高階鄰域信息包含節(jié)點(diǎn)的整個(gè)網(wǎng)絡(luò)信息。最后，將這兩種特征輸入隨機(jī)森林分類器，訓(xùn)練和預(yù)測(cè)潛在的藥物-靶標(biāo)相互作用。

14種基于圖神經(jīng)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)算法見表1。

表1 基于圖神經(jīng)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)方法

由表1可以看出，圖神經(jīng)網(wǎng)絡(luò)對(duì)于藥物-靶標(biāo)相互作用的預(yù)測(cè)具有較好的性能?，F(xiàn)有的一般方法主要分為特征提取和預(yù)測(cè)兩個(gè)步驟，經(jīng)過(guò)不斷改進(jìn)，提出端到端的預(yù)測(cè)模型，可以在預(yù)測(cè)任務(wù)中優(yōu)化特征提取步驟中涉及的參數(shù)，而在實(shí)際圖中，每個(gè)節(jié)點(diǎn)的特征通常由各種屬性組成，節(jié)點(diǎn)關(guān)系相當(dāng)復(fù)雜，因此節(jié)點(diǎn)的特征提取也是多維和多角度的，針對(duì)以上方法，圖表示學(xué)習(xí)的方法被提出來(lái)深入了解已知藥物和靶標(biāo)關(guān)聯(lián)網(wǎng)絡(luò)，提取更復(fù)雜生物網(wǎng)絡(luò)中藥物和目標(biāo)的隱藏特征。以上計(jì)算方法均是可擴(kuò)展的，除了用于藥物-靶標(biāo)相互作用的預(yù)測(cè)外，還可用于預(yù)測(cè)其他生物學(xué)鏈接，如藥物-藥物相互作用、藥物-疾病關(guān)聯(lián)、疾病-疾病關(guān)聯(lián)等。雖然以上準(zhǔn)確并高效的計(jì)算模型可以提高藥物-靶標(biāo)相互作用的識(shí)別過(guò)程，但學(xué)業(yè)界和工業(yè)界仍然存在較大差距。未來(lái)還可以開發(fā)出更高效的計(jì)算方法，保證性能準(zhǔn)確性的同時(shí)提高預(yù)測(cè)效率，比如可以考慮處理加權(quán)網(wǎng)絡(luò)或者有向網(wǎng)絡(luò)，挖掘更多的深層信息，加快藥物研發(fā)速度。

3 常用數(shù)據(jù)集

為了支持上述方法，許多優(yōu)秀團(tuán)隊(duì)制作并公開發(fā)布了用于預(yù)測(cè)的數(shù)據(jù)集，這些數(shù)據(jù)集包含不同類型的藥物相關(guān)信息。2008年，Yamanishi等[3]制作出四種藥物-靶標(biāo)相互作用網(wǎng)絡(luò)，包括酶(E)、離子通道(IC)、g蛋白偶聯(lián)受體(GPCR)和核受體(NR)。

2009年，Keshava等[37]創(chuàng)建數(shù)據(jù)集HPDR；Kuhn M等[38]在2010年創(chuàng)建數(shù)據(jù)集SIDER，同年,Knox C等[39]創(chuàng)建了數(shù)據(jù)集DrugBank(3.0);Wishart S等[40]在2018年更新了數(shù)據(jù)集DrugBank(5.0)，2013年數(shù)據(jù)集CTD[41]被創(chuàng)建出來(lái);Luo Y等[42]在2017年將以上四種數(shù)據(jù)集構(gòu)建了一個(gè)異構(gòu)網(wǎng)絡(luò)來(lái)預(yù)測(cè)潛在的藥物-靶標(biāo)相互作用。

2012年,Mysinger M M等[43]創(chuàng)建數(shù)據(jù)集DUD-E;2015年,Liu H等[44]通過(guò)負(fù)采樣方法創(chuàng)建數(shù)據(jù)集Human和C.elegans;2016年,Gilson M K等[45]創(chuàng)建數(shù)據(jù)集BindingDB;2017年,Liu Z等[46]創(chuàng)建數(shù)據(jù)集PDBbind。

數(shù)據(jù)集的詳細(xì)信息見表2。

表2 數(shù)據(jù)集詳細(xì)信息

表2數(shù)據(jù)集除了用來(lái)預(yù)測(cè)藥物-靶標(biāo)的相互作用之外，還可以用來(lái)預(yù)測(cè)藥物-藥物相互作用、藥物-疾病關(guān)聯(lián)、疾病-疾病關(guān)聯(lián)以及蛋白質(zhì)相互作用等[47]其它生物學(xué)鏈接。

4 結(jié) 語(yǔ)

隨著生物信息學(xué)及深度學(xué)習(xí)鄰域相關(guān)研究的發(fā)展，基于圖神經(jīng)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)方法成為新藥物研發(fā)和藥物重定位的重要手段。文中對(duì)基于圖神經(jīng)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)方法進(jìn)行綜述，簡(jiǎn)要概述圖神經(jīng)網(wǎng)絡(luò)近年來(lái)的發(fā)展歷程，詳細(xì)闡述圖神經(jīng)網(wǎng)絡(luò)變體用于預(yù)測(cè)藥物-靶標(biāo)相互作用的方法，包括圖注意力網(wǎng)絡(luò)、圖嵌入網(wǎng)絡(luò)、圖卷積神經(jīng)網(wǎng)絡(luò)，最后，總結(jié)已公開發(fā)布用于預(yù)測(cè)的數(shù)據(jù)集。

目前，預(yù)測(cè)藥物-靶標(biāo)相互作用在不同的方向均有好的研究成果，未來(lái)預(yù)測(cè)藥物-靶標(biāo)相互作用需要在保證預(yù)測(cè)準(zhǔn)確率的同時(shí),提高預(yù)測(cè)速度，為生物實(shí)驗(yàn)提高潛在候選靶標(biāo)的概率，縮短藥物研發(fā)周期，降低實(shí)驗(yàn)研發(fā)成本。