近日，湖南大学信息科学与工程学院彭绍亮教授课题组在国际顶级期刊Nature Machine Intelligence发表了题为“Multi-task Joint Strategies of Self-supervised Representation Learning on Biomedical Networks for Drug Discovery”的研究论文。该研究提出了面向药物发现的生物网络自监督表征学习的多任务联合框架MSSL2drug，系统地研究了如何有效地组合多个自监督模型这一人工智能领域的挑战性问题，探索发现了基于生物网络的多模态网络表征学习技术，为缺乏生物或临床标注数据的药物发现提供了新的研究思路。
文章发表在Nature Machine Intelligence上
图：MSSL2drug研究框架。
图：同一模态下，局部-全局自监督任务组合优于随机任务组合。
图：多模态的自监督任务组合可以获得最高的性能。
该研究关注抗炎症风暴药物研发的迫切需求，利用MSSL2drug进行抗炎症因子IL-6蛋白的药物筛选，并通过PubMed生物医学文献、临床报告、分子动力学模拟和表面等离子共振（SPR）等多维数据表明MSSL2drug预测的vandetanib (KD=28.6μM)和pazopanib (KD=20.7μM)可以与IL-6蛋白高亲和力结合，这对加速抗炎症药物研发具有重要的意义。
图：表面等离子共振技术验证候选药物与靶标蛋白的亲和力。
本文由 SEQ.CN 作者：白云 发表，转载请注明来源！
