一
论文题目：
MultiDTI: drug–target interaction prediction based on multi-modal representation learning to bridge the gap between new chemical entities and known heterogeneous network
论文摘要：
预测新药-靶点相互作用是新药开发、了解其副作用和药物重新定位的重要一步。异构数据源可以为药物-靶点相互作用预测提供全面的信息和不同的视角。因此，出现了许多依赖异构网络的计算方法。他们中的大多数使用图相关算法来表征异构网络中的节点，以预测新的药物-靶点相互作用 (DTI)。然而，这些方法只能在已知的异构网络数据集中进行预测，不能支持异构网络之外的新化学实体的预测，阻碍了进一步的药物发现和开发。为了解决这个问题，作者提出了一种名为“MultiDTI”的多模态 DTI 预测模型，它使用基于异构网络的联合学习框架。它将异构网络中的相互作用与药物/靶点序列信息相结合，将异构网络中的药物、靶点、副作用和疾病节点映射到一个公共空间中。通过这种方式，“MultiDTI”可以根据新实体的化学结构将新化学实体映射到这个学习到的公共空间。也就是说，弥合新化学实体和已知异质网络之间的差距。结果表明，“MultiDTI”是预测新 DTI 的强大而实用的工具，可以促进药物发现或药物重新定位的发展。
论文链接：
https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab473/6310735 Github链接：
https://github.com/Deshan-Zhou/MultiDTI/
二
论文题目：
DLAB - Deep learning methods for structure-based virtual screening of antibodies 论文摘要：
抗体是最重要的药物类别之一，目前已有80多个经批准的分子用于治疗疾病。然而，抗体药物的药物发现过程是时间和成本密集型的。在这里，作者介绍了一个基于结构的抗体深度学习框架（DLAB），它可以筛选针对抗原靶点的假定结合抗体。DLAB能够预测没有已知抗体结合物的抗原的抗体-抗原结合。DLAB可用于改进抗体-抗原对接和基于结构的抗体候选药物虚拟筛选。作者还通过一个案例研究表明，DLAB可以识别针对特定抗原的结合抗体。
论文链接：
https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab660/6373413 Github链接：
https://github.com/oxpig/dlab-public
三
论文题目：
SAILER: scalable and accurate invariant representation learning for single-cell ATAC-seq processing and integration 论文摘要：
转座酶可及染色质单细胞测序（scATAC-seq）为分析表观基因组异质性和阐明转录调控机制提供了新的机会。然而，由于scATAC-seq数据的高维性、极端稀疏性、复杂依赖性以及对各种来源的混杂因素的高度敏感性，其计算建模具有挑战性。本文提出了一个新的深层生成模型框架SAILER，用于分析scATAC-seq数据。SAILER的目标是学习每个细胞的低维非线性潜在表达，它定义了其固有的染色质状态，不受外部混杂因素（如读取深度和批处理效应）的影响。SAILER采用传统的编码器-解码器框架来学习潜在表示，但施加额外的约束以确保学习的表示独立于混杂因素。在模拟和真实scATAC-seq数据集上的实验结果表明，与其他方法相比，SAILER能够更好地学习细胞的生物学特征。它的无噪声细胞嵌入在下游分析中具有显著优势：基于SAILER的聚类和插补分别比现有方法提高了6.9%和18.5%。此外，由于不涉及矩阵分解，SAILER可以轻松扩展以处理数百万个单元。作者将SAILER实现到一个软件包中，所有人都可以免费使用该软件包进行大规模scATAC seq数据分析。
论文链接：
https://doi.org/10.1093/bioinformatics/btab303 Github链接：
https://github.com/uci-cbcl/SAILER
四
论文题目：
BioERP: biomedical heterogeneous network-based self-supervised representation learning approach for entity relationship predictions 论文摘要：
预测实体关系可以大大有利于重要的生物医学问题。最近，大量的生物医学异构网络（BioHNs）被产生，并为开发基于网络的学习方法以预测实体之间的关系提供了机会。然而，目前的研究很少探索基于BioHNs的自监督表示学习方法，难以同时获取实体间的局部和全局关联信息。在这项研究中，作者提出了一种基于BioHN的实体关系预测自监督表示学习方法，称为BioERP。提出了一种自监督元路径检测机制，用于训练能够捕获BioHNs全局结构和语义特征的transformer编码器模型。同时，设计了一种反映顶点局部关联的生物医学实体掩模学习策略。最后，将来自不同任务模型的表示连接起来，生成两级表示向量，用于预测实体之间的关系。八个数据集的结果表明，BioERP优于30种最先进的方法。
论文链接：
https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab565/6332000 代码链接：
https://github.com/pengsl-lab/BioERP.git
欢迎关注公众号，获取更多论文解读
转载或合作请联系邮箱 intbioinfo@163.com
