ترجمه فارسی مقاله MaskMol: چارچوب پیش آموزش تصویر مولکولی با هدایت دانش برای صخره های فعالیت

چکیده

Activity cliffs, which refer to pairs of molecules that are structurally similar but show significant differences in their potency, can lead to model representation collapse and make the model challenging to distinguish them. Our research indicates that as molecular similarity increases, graph-based methods struggle to capture these nuances, whereas image-based approaches effectively retain the distinctions. Thus, we developed MaskMol, a knowledge-guided molecular image self-supervised learning framework. MaskMol accurately learns the representation of molecular images by considering multiple levels of molecular knowledge, such as atoms, bonds, and substructures. By utilizing pixel masking tasks, MaskMol extracts fine-grained information from molecular images, overcoming the limitations of existing deep learning models in identifying subtle structural changes. Experimental results demonstrate MaskMol’s high accuracy and transferability in activity cliff estimation and compound potency prediction across 20 different macromolecular targets, outperforming 25 state-of-the-art deep learning and machine learning approaches. Visualization analyses reveal MaskMol’s high biological interpretability in identifying activity cliff-relevant molecular substructures. Notably, through MaskMol, we identified candidate EP4 inhibitors that could be used to treat tumors. This study not only raises awareness about activity cliffs but also introduces a novel method for molecular image representation learning and virtual screening, advancing drug discovery and providing new insights into structure-activity relationships (SAR).

چکیده به فارسی (ترجمه ماشینی)

صخره های فعالیت ، که به جفت مولکول هایی که از نظر ساختاری مشابه هستند اما تفاوت های قابل توجهی در قدرت آنها نشان می دهند ، می توانند منجر به فروپاشی بازنمایی مدل شوند و مدل را برای تمایز آنها به چالش بکشند.تحقیقات ما نشان می دهد که با افزایش شباهت مولکولی ، روشهای مبتنی بر نمودار برای ضبط این ظرافت ها تلاش می کنند ، در حالی که رویکردهای مبتنی بر تصویر به طور موثری تمایزها را حفظ می کنند.بنابراین ، ما ماسکومول را توسعه دادیم ، یک چارچوب یادگیری خودکشی از دانش مولکولی با هدایت دانش.Maskmol با در نظر گرفتن سطوح مختلف دانش مولکولی مانند اتمها ، اوراق قرضه و زیر ساخت ها ، نمایش تصاویر مولکولی را به طور دقیق می آموزد.با استفاده از وظایف ماسک پیکسل ، ماسکومول اطلاعات ریز و درشت از تصاویر مولکولی را عصاره می کند و بر محدودیت های مدل های یادگیری عمیق موجود در شناسایی تغییرات ساختاری ظریف غلبه می کند.نتایج تجربی نشان می دهد که دقت و قابلیت انتقال ماسکموول در تخمین صخره فعالیت و پیش بینی قدرت مرکب در 20 هدف مختلف ماکرومولکولی ، بهتر از 25 رویکرد یادگیری عمیق و یادگیری ماشین.تجزیه و تحلیل تجسم نشان می دهد که تفسیر بیولوژیکی بالای ماسکمو در شناسایی فعالیتهای مولکولی مرتبط با صخره.نکته قابل توجه ، از طریق Maskmol ، ما مهار کننده های کاندیدای EP4 را شناسایی کردیم که می توانند برای درمان تومورها استفاده شوند.این مطالعه نه تنها آگاهی در مورد صخره های فعالیت را افزایش می دهد بلکه یک روش جدید برای یادگیری تصویر مولکولی و غربالگری مجازی ، پیشبرد کشف مواد مخدر و ارائه بینش های جدید در روابط ساختار و فعالیت (SAR) را ارائه می دهد.