Faire la lumière sur les prédictions d’affinité GNN

La prévision de la puissance d’un composé est une tâche clé dans la conception de médicaments, et un certain nombre de méthodes basées sur l’apprentissage automatique ont été proposées pour de telles applications. Par exemple, divers modèles de réseaux neuronaux graphiques (GNN) ont été rapportés pour prédire l’affinité du ligand à partir de représentations graphiques des interactions protéine-ligand. Cependant, il existe des points de vue controversés dans le domaine concernant l’exactitude et la pertinence des prédictions d’affinité GNN, largement basés sur le fait que l’utilisation de différents volumes de données d’entraînement a conduit à des corrélations similaires avec les données expérimentales, tandis que différentes partitions de données d’entraînement et de test ont conduit à des corrélations similaires. a entraîné des différences notables dans les performances du modèle. À la lumière de ce débat, Jürgen Bajorath et ses collègues ont systématiquement prédit les affinités protéine-ligand en utilisant différents types de GNN et ont appliqué l’intelligence artificielle explicable (XAI) pour rationaliser les prédictions.