نماذج التعلم العميق للتفاعلات بين الأدوية والبروتينات

يعتبر منهج تطوير الأدوية بطيئًا ومكلفًا ويحتمل الفشل - يختبر العلماء ملايين المركبات ، لكن القليل منها فقط ينجح في إجراء الاختبارات قبل السريرية أو السريرية. يعتبر التعلم الآلي وهو فرع من الذكاء الاصطناعي ، موضوعًا سريع التوسع تستخدمه العديد من شركات الأدوية بشكل متزايد. يمكن أن يساعد دمج تقنيات التعلم الآلي في عملية تطوير الأدوية في أتمتة عمليات المعالجة والتحليل المتكررة للبيانات ، ويمكن استخدام تقنيات ML في عدة مراحل من تطوير الأدوية ، بما في ذلك التفاعلات الدوائية المستهدفة. وهي عنصر مهم  في عملية تطوير الدواء. عندما يرتبط عقار (جزيء كيميائي) بهدف (بروتينات أو أحماض نووية) ، يُقال إنه يرتبط ، ويغير سلوكه / وظيفته البيولوجية ، ويعيده إلى طبيعته. يُعد تنبؤ DTI جزءًا أساسيًا من عملية DD لأنه قد يؤدي إلى تسريع التكاليف وتقليلها ، ولكنه يمثل تحديًا ومكلفًا لأن المقايسات التجريبية لا تستغرق وقتًا طويلاً فحسب ، بل تكون باهظة الثمن أيضًا. أظهرت الأساليب القائمة على التعلم العميق نتائج مشجعة في التنبؤ بالتفاعلات المستهدفة للأدويةDTI) )  في السنوات الأخيرة. في هذه الورقة ، نقترح هيكلين جديدين للتعلم العميق للتنبؤ بالتفاعلات المستهدفة للدواءDTI) ). يستخدم النموذج الأول الشبكات العصبية لتمرير الرسائل MPNN) ) لتشفير الأدوية والوحدات المتكررة ذات البوابات ثنائية الاتجاه  Bi-GRU)) لتشفير البروتين. بينما يستخدم النموذج الثاني Bi-GRU لتشفير الأدوية وترميز البروتين. تم تدريب النموذجين وتقييمهما على مجموعة بيانات معيارية. توضح نتائجنا أن نماذجنا تتفوق في الأداء على أحدث أساليب التنبؤ DTI وهي نهج واعد للتنبؤ ب DTI بدقة عالية.