多源语言模型与动态路由胶囊网络融合用于抗菌化合物识别

《Communications Chemistry》：Multi-source language models fused with a dynamic routing capsule network for antimicrobial compound identification

　　

摘要

抗生素是一类至关重要的药物，与细菌感染的预防和治疗密切相关。准确预测分子的抗菌活性仍然是寻找新型抗生素候选物的一项关键挑战。然而，基于实验室的抗菌化合物鉴定成本高、耗时长，且容易重新发现已知抗生素，这突显了对高效准确计算模型的迫切需求。深度学习领域的近期进展显著增强了探索化学空间和识别潜在抗菌化合物的能力。在本研究中，我们提出了 CapMolPred，它集成了五个领域适应的化学语言模型进行高维小分子编码，并采用交叉注意力机制进行异构嵌入对齐。它还结合了具有动态路由的胶囊网络和一种新颖的非对称损失函数，与传统方法相比，在对大肠杆菌、鲍曼不动杆菌和金黄色葡萄球菌的抑制效力预测方面取得了优越的表现。我们进行了一系列消融研究，以阐明模型设计的贡献。案例研究验证了我们模型的可用性和有效性，并为其决策过程提供了见解，突出了其可解释性。为了方便访问，我们开发了一个直观的门户网站 (https://dmci.xmu.edu.cn/CapMolPred/indexpage.php) 来推广该工具。我们的结果表明，该方法凸显了可解释的人工智能方法在加速抗生素发现方面的潜力。