PS-HTI: Pair-Conditioned Enclosing-Subgraph Learning for Herb--Target Prediction on the HTINet2 Benchmark
本文引入了 PS-HTI，这是一种新颖的对条件包围子图学习框架，它通过利用查询边掩码子图构建和双锚点表示来更好地捕捉中药的多成分特性，从而在草药-靶点预测方面显著优于现有的 HTINet2 基准。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，中草药因其治疗复杂疾病的能力而备受重视，这种力量源于其作为多种不同化学化合物混合物的本质。与单一的合成药物分子（其作用类似于一把针对特定锁的特定钥匙）不同，一种草药包含多种成分，可以与人体内的多个目标进行相互作用。准确识别这些草药成分究竟影响了人体内的哪些蛋白质，对于理解传统疗法如何发挥作用以及发现新疗法至关重要。然而，在实验室中测试每种草药成分与每一个潜在蛋白质目标的所有可能组合，既缓慢又昂贵，且往往是不可能的。为了解决这个问题，科学家们转向利用计算机来预测这些相互作用，利用庞大的已知生物数据网络来绘制出哪些草药可能会影响哪些目标。
多年来，用于执行此任务的最成功的计算机模型将草药和目标视为独立的实体。它们会分别学习草药和目标的特征，然后简单地比较两者以猜测它们是否可能发生相互作用。这种方法虽然有用，但存在一个盲点：它无法看到两者相遇时的特定“邻里环境”。这就像是在从未观察过两人如何站在一起或谁站在他们之间的情况下，仅通过观察两个孤立的人来判断一段友谊。烟金（Yan Jin）教授在烟台南山大学开展的一项新研究引入了一种不同的思考方式，这种方式迫使计算机去观察每一对候选草药与目标周围的特定局部环境。通过为每一对候选组合构建一张独特的、微型的地图，并分析该地图内的连接关系，这种被称为 PS-HTI 的新方法实现了比以往模型更优异的预测效果。
研究人员在名为 HTINet2 的大型成熟数据集上测试了他们的新系统，该数据集包含了 563 种不同草药、2,106 个蛋白质目标以及超过 38,000 条已记录的相互作用。目标是观察计算机是否能正确排列给定草药最可能的靶点。在这个排名游戏中，系统必须将其正确的靶点放在列表的最顶端。新的 PS-HTI 模型成功地将正确靶点置于前十名位置的成功率接近 70%。这一表现是一个巨大的飞跃，大幅超越了之前的最佳模型 HTINet2。这种进步不仅仅是一个微小的改进；新模型在寻找前十名中的正确靶点方面的能力提高了约 56%，在按可能性顺序进行正确排序方面的能力提高了约 64%。
这种成功的秘诀在于模型如何建立对关系的理解。模型并非仅仅在真空中观察草药和目标，而是首先移除两者之间直接的联系（如果存在的话），以防止它利用该信息。随后，它在草药和目标周围构建一个小的、有界的邻域，捕捉到靠近它们的其他分子和蛋白质。这个邻域充当了一个上下文，向模型展示了可能连接两者的“桥梁”或路径。模型特别关注该邻域中节点的特定角色，记录哪些节点更靠近草药，哪些更靠近目标。然后，它使用一种专门的神经网络来处理这个局部地图，不仅学习各个部分的特征，还学习它们相对于彼此是如何排列的。这使得系统能够检测出指示强连接的微妙结构模式，而如果将草药和目标分开分析，这些模式将是不可见的。
为了确保模型不仅仅是在记忆数据，研究人员系统地移除了系统的不同部分，以观察会发生什么。他们发现每个组件都发挥着至关重要的作用。当他们移除观察两个锚点之间“桥梁”的能力时，模型的性能大幅下降，这表明两者之间的连接是最关键的信息。同样，当他们简化信息组合的方式，用简单的乘法取代复杂的非线性过程时，结果也显著下降。这证实了草药与目标之间的关系并非简单的部分之和，而是一种复杂的相互作用，需要一种能够读取局部结构的复杂方式。
该研究还探讨了如何使这些预测在现实世界中具有实用性。由于为每一对可能的草药和目标构建独特的地图计算量巨大，研究人员开发了一种两步走的策略。首先，系统使用一种更简单、更快速的方法快速扫描所有可能的靶点，以缩小范围至最有潜力的候选者。然后，它仅对这个较小的、高潜力的群体应用详细的、基于地图的分析。这种混合方法使模型在保持高准确度的同时，仍能高效处理数以千计的潜在目标。结果显示，相比于尝试用完整的详细地图分析每一对组合（这太慢），或者用简单的方法分析所有组合（这太不准确），这种方法要优越得多。
最终，这项工作证明了我们在计算机中如何表示生物关系是非常重要的。通过将视角从将草药和目标视为孤立的终点，转变为将它们视为特定局部网络的一部分，研究人员创造了一个看得更清晰的工具。研究结果表明，两个生物实体之间的路径，以及围绕该路径的结构，是理解它们如何相互作用的关键。尽管该研究受限于单一数据集，且尚未证明这些预测在活体中有效，但它提供了一个强大的新框架，用于优先确定下一步应该进行的实验。对于寻求解锁草药医学奥秘的科学家来说，这种方法为在复杂的药物研发领域导航提供了更精确的地图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。