طراحی یک مدل بیوانفورماتیکی برای پیش‌‌بینی فعالیت ترکیبات دارویی و کاربرد آن بر مهار تکثیر hiv و ژن bace-1

در این مقاله روش جدیدی برای مسئله پیش‌‌بینی خواص ترکیب‌‌های مولکولی در قدم بهینه سازی پیشرو در طراحی دارو ارائه می‌‌گردد. تعداد داده های برچسب شده در دسترس در قدم بهینه سازی پیشرو اندک است. در سال‌‌های اخیر این چالش مورد توجه قرار گرفته است و از تکنیک‌‌های یادگیری انتقالی و یادگیری عمیق برای حل آن استفاده شده است. بدین منظور از مجموعه‌‌داده‌‌های مشابه به عنوان داده‌‌های کمکی برای آموزش یک مدل قابل اعتماد بهره گرفته شده است. در این روش‌‌، استخراج ویژگی از ترکیب‌‌های مولکولی نقش اساسی در انتقال دانش از مجموعه‌‌داده‌‌های مشابه (کمکی) به مجموعه داده‌‌ی اصلی ایفا می‌‌کند. در این مقاله تاثیر استفاده از شبکه‌‌های پیچشی گرافی که علاوه بر در نظر گرفتن ویژگی‌‌های اتم‌‌ها، قادر به در نظر گرفتن ویژگی‌‌های پیوندهای مولکولی می‌‌باشد، سنجیده می‌‌گردد. برای ارزیابی روش، از دو مجموعه داده استاندارد bace و hiv بهره گرفته شده است. نتایج بیانگر این امر است که روش پیشنهادی قادر به استخراج دانش موثرتری از مجموعه داده‌‌های مشابه برای انتقال به مجموعه‌‌داده‌‌ی هدف بوده است.

Design of a bioinformatics model to predict drug compound properties and its application in inhibition of HIV replication and BACE-1

In this paper, a new method for the problem of predicting the compound molecule properties in the lead optimization step in drug design is presented. In the lead optimization step, the amount of available biological data on small molecule compounds is low. In recent years, this challenge has been considered and transfer learning and deep learning techniques have been used to solve it. For this purpose, similar data sets have been used as auxiliary data to learn a reliable model. In this method, compound feature extraction plays an essential role in transferring knowledge from similar (auxiliary) data sets to the target data set. In this paper, the effect of using Edge weighted Graph Convolutional Network (EGCN) is assessed which able to consider the feature vector of the compound bond as well as the atom feature vector. To evaluate the method, we have applied the proposed approach on BACE and HIV datasets. The obtained results show that the proposed method is able to extract more efficient knowledge from similar data sets to transfer to the target data set.