基于耦合辅助信息的矩阵分解和靶向GPCRs的配体活性预测方法

摘要：

G蛋白偶联受体(GPCRs)是人类最重要的药物靶点,目前市场上大约34％的现代药物都以GPCRs作为靶点.在药物发现过程中,配体生物活性的准确预测对于筛选苗头化合物至关重要.对单个GPCR任务来说,通过实验得到生物活性的配体数量十分有限,若将多个GPCRs任务放在一起通过矩阵分解进行学习,可以利用GPCRs任务间的关联信息,提升配体生物活性的学习性能.基于此,本文提出了一种基于矩阵分解靶向GPCRs的配体生物活性预测方法MFSI,它耦合了配体的分子扩展连通性指纹辅助信息,克服了已知GPCR-配体生物活性关系矩阵中天然存在大量缺失值的问题.在72个具有代表性的GPCRs任务上的测试发现,它们涵盖了GPCRs的24个子家族.结果表明,本文方法全面优于经典的单任务学习和矩阵分解方法;在大多数数据集上(66/72),本文方法在性能上优于其他基于深度多任务学习的预测配体生物活性方法,与DeepNeu-ralNet-QSAR方法相比,在所有的数据集上本文方法在r2和RMSE上平均分别提升了18％和12％.

关键词：G蛋白偶联受体、配体生物活性、矩阵分解、扩展连通性指纹

所属期刊栏目：49

分类号：TP315.69(计算技术、计算机技术)

资助基金：国家自然科学基金;江苏省高等学校自然科学研究项目;南京邮电大学科研基金

在线出版日期：2021-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1-13