A Multi-input Deep Learning Architecture for STAT3 Inhibitor Prediction
Notice bibliographique
Résumé
Signal transducer and activator of transcription 3 (STAT3) is a critical factor involved in various physiological and oncogenic signaling pathways. Machine learning models are valuable tools for predicting or screening STAT3 inhibitors. However, the predictive performance and interpretability of existing models still require improvement. In this study, we introduce a fingerprint-enhanced graph (FPG) attention network model, which integrates sequence-based fingerprints and structure-based graph representations to predict STAT3 inhibitors. During the feature learning process, the FPG model converts sequence information into a fingerprint vector, while structural information is encoded into a separate vector using a graph attention network module. These two vectors are then concatenated and passed through a multilayer perceptron for molecular activity classification. Among 49 models with various representations and algorithm combinations, the FPG-based model achieved the best predictive performance, with an average area under the curve of 0.897 on the test set. Furthermore, the model outperformed existing prediction models for identifying STAT3 inhibitors. Additionally, fingerprint analysis and attention heatmaps, combined with SHAP algorithms, provided valuable insights into the structure-activity relationship of STAT3 inhibitors, enhancing model interpretability. To facilitate related research and applications, we developed a web service (STAT3 Pro: https://gzliang.cqu.edu.cn/software/Stat3Pro.html) for STAT3 inhibitor prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».