利用深度迁移学习靶向GPCRs的配体活性预测

来源：计算机工程与应用杂志2023年第13期北京时间：

作者：汤丽华, 卢宁, 兰闯闯, 陈荣华, 吴建盛

单位：1.南京邮电大学 地理与生物信息学院，南京 210023；2.南京邮电大学 通信与信息工程学院，南京 210023；3.常州市第一人民医院 神经外科，江苏 常州 213003

摘要：G蛋白偶联受体（GPCRs）是最重要的药物靶标之一，约占市场上药物靶标的34％。药物发现过程中，配体生物活性的准确建模和解释对于筛选苗头化合物至关重要。研究表明，同源的G蛋白偶联受体能提升配体分子生物活性的预测性能和可解释性。提出了一种新的方法GLEM，用多任务下的深度迁移学习来预测配体的生物活性，并通过组稀疏来识别相关的关键子结构。GLEM方法在9组30个具有代表性的人类GPCR数据集上进行了实验，这些GPCRs涵盖了大部分人类GPCRs的子家族，每个GPCR数据集都包含60~3?000个配体。实验结果表明，GLEM方法在绝大多数数据集中都获得了最好的性能。与单任务学习方法相比，GLEM方法在[r2]上平均提升了31.72%；与深度学习方法相比，GLEM方法在[r2]上平均提升了22.45%。此外，还评估了不同数量的训练样本对模型性能的影响，实验发现GLEM方法在小样本情况下表现最好。

关键词：G蛋白偶联受体（GPCRs）,扩展连通性指纹,配体活性,多任务学习,深度迁移学习