طراحي يك مدل بيوانفورماتيكي براي پيش بيني فعاليت تركيبات دارويي و كاربرد آن بر مهار تكثير HIV و ژن BACE-1

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

در اين مقاله روش جديدي براي مسيله پيش بيني خواص تركيب هاي مولكولي در قدم بهينهسازي پيشرو در طراحي دارو ارايه مي گردد. تعداد دادههاي برچسب شده در دسترس در قدم بهينهسازي پيشرو اندك است. در سال هاي اخير اين چالش مورد توجه قرار گرفته است و از تكنيك هاي يادگيري انتقالي و يادگيري عميق براي حل آن استفاده شده است. بدين منظور از مجموعه داده هاي مشابه به عنوان داده هاي كمكي براي آموزش يك مدل قابل اعتماد بهره گرفته شده است. در اين روش ، استخراج ويژگي از تركيب هاي مولكولي نقش اساسي در انتقال دانش از مجموعه داده هاي مشابه (كمكي) به مجموعه داده ي اصلي ايفا مي كند. در اين مقاله تاثير استفاده از شبكه هاي پيچشي گرافي كه علاوه بر در نظر گرفتن ويژگي هاي اتم ها، قادر به در نظر گرفتن ويژگي هاي پيوندهاي مولكولي مي باشد، سنجيده مي گردد. براي ارزيابي روش، از دو مجموعه داده استاندارد BACE و HIV بهره گرفته شده است. نتايج بيانگر اين امر است كه روش پيشنهادي قادر به استخراج دانش موثرتري از مجموعه داده هاي مشابه براي انتقال به مجموعه داده ي هدف بوده است.

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.