BiGraph‐DTA: Predicting drug–target interactions of hepatoprotective agents with graph convolutional networks
Notice bibliographique
Résumé
Abstract Predicting drug–target affinity (DTA) is critical for discovering and developing hepatoprotective agents that can prevent and treat liver diseases. In this study, we propose BiGraph‐DTA, a new predictive model for identifying DTA score prediction for hepatoprotective compounds by combining graph convolutional networks and bidirectional long short‐term memory networks. This model is based on powerful frameworks that process both graph representations of molecular structures and sequential information from protein sequences to capture complex dependencies and interactions. Leveraging a curated hepatoprotective dataset (from ChEMBL) consisting of 21,421 interactions, the model outperforms traditional machine learning methods (such as random forest and XGBoost) as well as other deep learning methods (such as DeepDTA and GraphDTA) in terms of predictive performance. The BiGraph‐DTA obtained the best mean squared error of 0.7885, R 2 of 0.7208, and concordance index of 0.8508. Our proposed architecture holds potential for accelerating the drug discovery process of hepatoprotective therapy by highlighting the framework through which candidate drugs and their corresponding protein targets can be identified based on robust data‐driven knowledge. This model, therefore, provides a new opportunity for discovering new hepatoprotective compounds, which may also make it possible to speed up finding new liver disease drugs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».