GNN 模型在生物化学和医疗健康中的典型应用

计算生物化学和医疗健康的数据常常通过图来表示。

例如，分子和化合物可以自然地表示为以原子为节点、以键为边的图。蛋白质相互作用（Protein-ProteinInteractions，PPI）记录了两个或多个蛋白质之间的物理联系, 这种联系可以很自然地用图的形式表示。

此外，在制药行业中，药物相互作用（Drug-Drug Interactions，DDI）描述了在使用不同药物组合治疗复杂疾病时的不良结果，这种相互作用也可以用图来表示。

图神经网络模型具有强大的图表示学习能力，已被应用于许多生物化学和医疗健康应用中，包括药物开发与发现、药物相似性整合、复方药物副作用预测、药物推荐和疾病预测。

下面将讨论GNN 模型在生物化学和医疗健康中的一些典型应用。

图神经网络已经被用来推动药物开发和发现中的许多重要任务。

这些任务的实例包括：

1）分子表示学习，该任务可以用于辅助分子属性预测等下游任务，从而有助于将候选分子的搜索范围缩小到具有合适性质的分子上；

2）分子图生成，旨在生成具有某种期望性质的分子；

3）药物–靶标结合亲和力预测，即预测药物–靶标的相互作用强度，以便于新药开发和药物再利用；

4）蛋白质相互作用界面预测，其目的在于预测蛋白质相互作用界面，以便于理解分子相互作用界面，进而理解分子机制。

接下来介绍图神经网络在分子表示学习、药物–靶标结合亲和力预测以及蛋白质相互作用界面预测等方面的应用。

01 分子表示学习

02 蛋白质相互作用界面预测

如图1 所示，蛋白质是具有生化功能的氨基酸链。如图2 所示，氨基酸是一种有机化合物，它含有氨基（–NH2）、羧基（–COOH）官能团和每个氨基酸特有的侧链（R 基）。

图2 氨基酸的一个说明性示例

蛋白质为了实现它们的功能，需要与其他蛋白质相互作用。预测这些相互作用发生的界面是一个具有挑战性的任务，同时这也在药物发现和设计中有着重要的应用。蛋白质相互作用界面由相互作用的蛋白质中相互作用的氨基酸残基和附近的氨基酸残基组成。

具体来讲，文献[3]考虑来自不同蛋白质的两个氨基酸残基，如果其中一个氨基酸残基中的任何一个非氢原子在另一个氨基酸残基中任何一个非氢原子的6Å 内，则认为它们是界面的一部分。因此，蛋白质相互作用界面预测问题可以建模为以来自不同蛋白质的一对氨基酸残基作为输入的二分类问题。

在文献[2]中，蛋白质被建模为图。在图中，蛋白质中的氨基酸残基被视为节点，这些节点之间的关系被定义为边，然后使用图神经网络模型学习节点表示，并利用这些表示进行分类。

03 药物-靶标结合亲和力预测

图3 药物–靶结合亲和力预测的一般框架

参考文献：

[1] DUVENAUD D K, MACLAURIN D, IPARRAGUIRRE J, et al. Convolutional networks on graphs for learning molecular fingerprints[C]. Advances in neural information processing systems, 2015: 2224–2232.

[2] FOUT A, BYRD J, SHARIAT B, et al. Protein interface prediction using graph convolutional networks[C]. Advances in Neural Information Processing Systems, 2017:6530–6539.

[3] AFSAR MINHAS F U A, GEISS B J, BEN-HUR A. Pairpred: Partner-specific prediction of interacting residues from sequence and structure[J]. Proteins: Structure,Function, and Bioinformatics, 2014, 82(7): 1142–1155.

[4] NGUYEN T, LE H, VENKATESH S. GraphDTA: prediction of drug–target binding affinity using graph convolutional networks[J]. BioRxiv, 2019.

以上内容节选自《图深度学习》一书！

《图深度学习》
马耀，汤继良著
王怡琦，金卫译

揭秘图深度学习的研究和学习路线图
全面覆盖图深度学习的基础理论、模型方法、实际应用及前沿进展
获俞士纶等十余位人工智能国际专家赞誉！

本书全面介绍了图深度学习的理论基础、模型方法及实际应用，既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物。

（京东限时活动，快快扫码抢购吧！）