GraphDTA for predicting drug–target binding affinity

Paraules clau: GraphDTA, afinidad de unión fármaco-objetivo, predicción; GraphDTA, drug-target binding affinity, prediction; GraphDTA, afinitat d'enllaç medicament-objectiu, predicció

Títol en diferents idiomes: GraphDTA para predecir la afinidad de unión entre fármaco y diana; GraphDTA for predicting drug–target binding affinity; GraphDTA per predir l'afinitat d'unió medicament-objectiu

Àrees temàtiques: Ingeniería informática; Computer engineering; Enginyeria informàtica

Confidencialitat: No

Curs acadèmic: 2023-2024

Estudiant: Gálvez Rísquez, Natzaret

Aprenentatge Servei: No

Departament: Enginyeria Informàtica i Matemàtiques

Drets d'accés: info:eu-repo/semantics/openAccess

Data de la defensa del treball: 2024-09-16

Director del projecte: Serratosa Casanelles, Francesc D'assís

Resum: Drug development is costly and time-consuming, but drug repurposing offers a quicker alternative by finding new uses for approved drugs. Knowing drug-protein interactions is crucial for this process. GraphDTA, a model that predicts drug-target affinity using graph neural networks, outperforms established models like DeepDTA and WideDTA in accuracy and adaptability. While GraphDTA relies on SMILES representations, incorporating 3D structural data could retain vital molecular information, enhancing predictions. This highlights GraphDTA's potential to improve with further development, making it a robust and versatile tool for drug-target affinity predictions; El desenvolupament de fàrmacs és costós i requereix molt de temps, però la seva reutilització ofereix una alternativa més ràpida en trobar nous usos per als fàrmacs aprovats. Conèixer les interaccions fàrmac-proteïna és crucial per a aquest procés. GraphDTA, un model que prediu l'afinitat fàrmac-objectiu mitjançant xarxes neuronals gràfiques, supera els models establerts com DeepDTA i WideDTA en precisió i adaptabilitat. Tot i que GraphDTA es basa en representacions SMILES, la incorporació de dades estructurals en 3D podria retenir informació molecular vital, millorant les prediccions. Això destaca el potencial de GraphDTA per millorar amb un major desenvolupament, convertint-lo en una eina robusta i versàtil per a les prediccions d'afinitat fàrmac-objectiu.

Matèria: Medicaments--Monitoratge

Entitat: Universitat Rovira i Virgili (URV)

Idioma: en

Ensenyament(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial

Títol en la llengua original: GraphDTA for predicting drug–target binding affinity

Data d'alta al repositori: 2025-10-23