[논문 리뷰] PADME: A Deep Learning-based Framework for Drug-Target Interaction Prediction

Qingyuan Feng, Evgenia V. Dueva외 2명|arXiv (Cornell University)|2018. 07. 25.

Computational Drug Discovery Methods참고 문헌 52인용 수 81

한 줄 요약

PADME 은 실수값 DTI 강도를 예측하는 딥 뉴럴 네트워크 프레임워크로, 분자 그래프 컨볼루션을 화합물과 단백질 서술자를 결합하여 콜드-타깃과 콜드-드러그 문제를 해결하고 다수 데이터셋에서 베이스라인을 능가합니다.

ABSTRACT

In silico drug-target interaction (DTI) prediction is an important and challenging problem in biomedical research with a huge potential benefit to the pharmaceutical industry and patients. Most existing methods for DTI prediction including deep learning models generally have binary endpoints, which could be an oversimplification of the problem, and those methods are typically unable to handle cold-target problems, i.e., problems involving target protein that never appeared in the training set. Towards this, we contrived PADME (Protein And Drug Molecule interaction prEdiction), a framework based on Deep Neural Networks, to predict real-valued interaction strength between compounds and proteins without requiring feature engineering. PADME takes both compound and protein information as inputs, so it is capable of solving cold-target (and cold-drug) problems. To our knowledge, we are the first to combine Molecular Graph Convolution (MGC) for compound featurization with protein descriptors for DTI prediction. We used multiple cross-validation split schemes and evaluation metrics to measure the performance of PADME on multiple datasets, including the ToxCast dataset, and PADME consistently dominates baseline methods. The results of a case study, which predicts the binding affinity between various compounds and androgen receptor (AR), suggest PADME's potential in drug development. The scalability of PADME is another advantage in the age of Big Data.

연구 동기 및 목표

• DTI 예측을 이진 엔드포인트에서 실수값 상호작용 강도로 향상시킨다.
• 특징 엔지니어링 없이도 콜드-타깃 및 콜드-드러그 시나리오를 다룰 수 있도록 한다.
• 단일 프레임워크에서 화합물의 분자 그래프 컨볼루션과 단백질 서술자를 통합한다.
• 견고성과 확장성을 입증하기 위해 다수의 데이터셋과 교차 검증 스킴에서 PADME를 평가한다.

제안 방법

• 수작업 특징 없이 화합물 구조를 특징화하기 위해 분자 그래프 컨볼루션을 사용한다.
• 화합물 표현과 단백질 서술자를 입력으로 사용하여 딥 뉴럴 네트워크에 결합한다.
• 실수값 상호작용 강도를 예측하고 이진 라벨이 아닌 값을 예측한다.
• 다수의 교차 검증 분할과 평가 지표를 데이터셋 전반에 걸쳐(예: ToxCast) 사용하여 평가한다.
• 화합물과 안드로겐 수용체(AR) 간 결합 친화도를 예측하는 사례 연구를 보여준다.

실험 결과

연구 질문

• RQ1 PADME 이되어 feature engineering 없이 실수값 DTI 점수를 예측할 수 있는가?
• RQ2 프레임워크가 콜드-타깃 및 콜드-드러그 시나리오를 효과적으로 다룰 수 있는가?
• RQ3 다수의 데이터셋 및 CV 스킴에서 PADME의 성능은 베이스라인 방법과 어떻게 비교되는가?
• RQ4 PADME은 빅데이터에 확장 가능하며 실제 약물 개발 워크플로를 지원하는가?
• RQ5 AR 결합친화도 예측과 같은 사례 연구에서 PADME의 잠재력은 어떠한가?

주요 결과

• PADME 은 다수의 데이터셋과 교차 검증 스킴에서 일관되게 베이스라인 방법을 능가한다.
• 프레임워크는 특징 엔지니어링이 필요 없이 콜드-타깃 및 콜드-드러그 문제를 처리할 수 있다.
• 안드로겐 수용체(AR) 결합 친화도에 대한 사례 연구는 약물 개발에서 PADME의 잠재력을 보여준다.
• PADME 은 DTI 예측의 빅데이터 환경에 적합한 확장성을 제공한다.