English 中國科學院 聯系我們  
 
站內檢索
 您現在的位置:首頁 > 新聞中心 > 科研動態
蔣華良、鄭明月團隊通過多任務深度神經網絡建立藥物調控激酶譜的預測分析方法
發表日期: 2019-08-27
打印 關閉 瀏覽次數:

  蛋白激酶(protein kinases)是細胞功能的關鍵調節分子,是生物體內最大且功能最多樣的基因家族之一。因此,激酶是開發治療癌癥、炎癥、糖尿病、心血管疾病和阿爾茲海默癥等相關疾病藥物的重要靶標。然而,由于激酶家族蛋白質(特別是催化域)結構的高度保守性,給高效選擇性激酶抑制劑的開發帶來了巨大挑戰。

  二十一世紀以來,隨著計算機計算能力的迅猛提升和大數據的涌現,深度學習在機器學習算法的基礎上快速崛起,并在藥物研發領域得到廣泛應用。然而,對許多尚未經過充分深入研究的激酶靶標,目前已有的數據還遠遠達不到訓練中等規模神經網絡所需的量級。因此,傳統的單任務神經網絡模型通常難以取得較好的泛化性能。

  為了解決這一問題,蔣華良、鄭明月團隊采用了多任務深度神經網絡(multitask deep neural network)建立分類模型解決化合物的激酶譜預測問題。多任務深度神經網絡通過任務間的遷移學習,可以高效解決具有相關性的多類別分類問題,對于眾多激酶靶標,共享的保守催化域使得多重活性預測任務緊密相關。因此,利用多任務深度神經網絡可以有效減少特定激酶數據不足對模型泛化性能的限制。此外,多任務神經網絡只需建立一個模型即可對整體激酶譜進行預測,無需多次建模,并且通過使用共享表示減少了模型參數的規模,可以使模型的訓練學習過程更加高效。

  上述研究結果近期在線發表于Journal of Medicinal Chemistry,題為“Deep Learning Enhancing Kinome-Wide Polypharmacology Profiling: Model Construction and Experiment Validation” ,并被選為封面論文。中國科學院上海藥物研究所藥物設計與發現中心(DDDC)鄭明月為論文通訊作者,第一作者是中國科學院上海藥物研究所藥物發現與設計中心博士研究生李敘潼。

  全文鏈接:https://doi.org/10.1021/acs.jmedchem.9b00855

Journal of Medicinal Chemistry文章標題

基于多任務神經網絡的藥物激酶譜預測流程

多任務神經網絡與隨機森林預測表現對比

(左)對五個化合物預測與實驗得到的激酶圖譜,標記為紅色的激酶表示預測或實驗測定為活性。(右)預測與實驗得到的激酶家族選擇性,當一個家族的odds ratio顯著大于1(紅色),認為化合物對該激酶家族具有選擇性。

 

 

 

評 論
  版權所有 中國科學院上海藥物研究所 滬ICP備05005386號-1
地址: 上海市浦東張江祖沖之路555號 郵編:201203 電話: 86-21-50806600

滬公網安備 31011502008305號

 
宁夏快三彩票app-宁夏快三开奖结果