ترجمه فارسی مقاله شبکه عصبی عمیق دوقلوهای بارلو برای پیش‌بینی پیشرفته تعامل دارو-هدف تک‌بعدی

چکیده

Accurate prediction of drug-target interactions is critical for advancing drug discovery. By reducing time and cost, machine learning and deep learning can accelerate this laborious discovery process. In a novel approach, BarlowDTI, we utilise the powerful Barlow Twins architecture for feature-extraction while considering the structure of the target protein. Our method achieves state-of-the-art predictive performance against multiple established benchmarks using only one-dimensional input. The use of gradient boosting machine as the underlying predictor ensures fast and efficient predictions without the need for substantial computational resources. We also investigate how the model reaches its decision based on individual training samples. By comparing co-crystal structures, we find that BarlowDTI effectively exploits catalytically active and stabilising residues, highlighting the model’s ability to generalise from one-dimensional input data. In addition, we further benchmark new baselines against existing methods. Together, these innovations improve the efficiency and effectiveness of drug-target interaction predictions, providing robust tools for accelerating drug development and deepening the understanding of molecular interactions. Therefore, we provide an easy-to-use web interface that can be freely accessed at https://www.bio.nat.tum.de/oc2/barlowdti .

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق تعامل با هدف دارو برای پیشبرد کشف مواد مخدر بسیار مهم است.با کاهش زمان و هزینه ، یادگیری ماشین و یادگیری عمیق می تواند این فرایند کشف پر زحمت را تسریع کند.در یک رویکرد جدید ، Barlowdti ، ما از معماری قدرتمند دوقلوهای بارلو برای استخراج ویژگی در حالی که ساختار پروتئین هدف را در نظر می گیریم ، استفاده می کنیم.روش ما با استفاده از تنها ورودی یک بعدی ، عملکرد پیش بینی پیشرفته ای را در برابر معیارهای مختلف ایجاد شده به دست می آورد.استفاده از دستگاه تقویت شیب به عنوان پیش بینی کننده اصلی پیش بینی های سریع و کارآمد را بدون نیاز به منابع محاسباتی قابل توجهی تضمین می کند.ما همچنین بررسی می کنیم که چگونه این مدل بر اساس نمونه های آموزش فردی به تصمیم خود می رسد.با مقایسه ساختارهای کریستالی ، می فهمیم که Barlowdti به طور موثری از باقیمانده های کاتالیستی فعال و تثبیت کننده سوء استفاده می کند و توانایی مدل را برای تعمیم داده های ورودی یک بعدی برجسته می کند.علاوه بر این ، ما بیشتر خطوط جدید را در برابر روشهای موجود معیار می کنیم.با هم ، این نوآوری ها باعث بهبود کارآیی و اثربخشی پیش بینی های تعامل با مواد مخدر ، ارائه ابزارهای قوی برای تسریع در توسعه دارو و تعمیق تعامل مولکولی می شود.بنابراین ، ما یک رابط کاربردی آسان برای استفاده را ارائه می دهیم که می توانید به صورت آزاد به https://www.bio.nat.tum.de/oc2/barlowdti دسترسی پیدا کنید.