NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
MotivationAcurate drug-target interaction (DTI) tahmini, özellikle mevcut etkileşim kanıtları seyrek olduğunda, az araştırılmış ilaçlar ve hedefler için zor olmaya devam etmektedir. Mevcut yaklaşımlar genellikle ya çift yönlü moleküler temsillere ya da heterojen biyomedikal grafik topolojisine odaklanır, bu da yapı kaynaklı temsilleri çok-ilişkili bağlamsal kanıtlarla etkili bir şekilde entegre etmeyi zorlaştırır.ResultWe, heterojen-grafik tabanlı DTI tahmini için iki aşamalı bir çerçeve olan ColdstartMHDTI'yi yerel ve küresel ilişkisel bilgilerle bütünleştiren bir çerçeve önermektedir. Spesifik olarak, ilaç SMILES ve hedef dizileri önceden eğitilmiş transformatör modelleri tarafından kodlanırken, tek-hop heterojen ilişkiler kendi kendini denetleyen DistMult gömmeleri yoluyla yakalanır. Bu temsiller daha sonra meta-yol örnekleri sipariş eden ve etkileşim puanlaması için çapraz dikkat ile bir araya getiren meta-yol güdümlü bir modül aracılığıyla kaynaştırılır. İki kıyaslama veri kümesinde, ColdstartMHDTI, az keşfedilmemiş ilaçlar ve hedefler için özellikle güçlü performansla, sıcak başlangıç ve varlık-ayrım ayarları altında tutarlı iyileştirmeler göstermektedir. Ayrıca 1:5 ve 1:10 pozitif-negatif oranlarla daha dengesiz değerlendirme protokolleri altında sağlam kalır. Standart sınıflandırma performansına ek olarak, ColdstartMHDTI, aşağı akış taraması ve kanıt güdümlü hipotez üretimi için aday önceliklendirmeyi desteklemektedir. ESR1, EGFR ve Parkinson hastalığı ile ilgili vaka çalışmaları, Parkinson hastalığı analizinin yanı sıra, ilaç başına güçlü hedef sıralama performansını vurgulayarak pratik yararını daha da göstermektedir.
Özgün kaynak özetini okuyun
MotivationAccurate drug-target interaction (DTI) prediction remains difficult for underexplored drugs and targets, especially when available interaction evidence is sparse. Existing approaches often focus either on pairwise molecular representations or on heterogeneous biomedical graph topology, making it difficult to effectively integrate structure-derived representations with multi-relational contextual evidence.ResultWe propose ColdstartMHDTI, a two-stage framework for heterogeneous-graph-based DTI prediction that integrates sequence-derived structural representations with local and global relational information. Specifically, drug SMILES and target sequences are encoded by pretrained transformer models, while one-hop heterogeneous relations are captured through self-supervised DistMult embeddings. These representations are then fused through a meta-path-guided module that models ordered meta-path instances and aggregates them with cross-attention for interaction scoring. Across two benchmark datasets, ColdstartMHDTI shows consistent improvements under warm-start and entity-disjoint settings, with particularly strong performance for underexplored drugs and targets. It also remains robust under more imbalanced evaluation protocols with 1:5 and 1:10 positive-to-negative ratios. In addition to standard classification performance, ColdstartMHDTI supports candidate prioritization for downstream screening and evidence-guided hypothesis generation. Case studies on ESR1, EGFR, and Parkinson's disease further demonstrate its practical utility, with the Parkinson's disease analysis additionally highlighting strong per-drug target ranking performance.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.