GraphDTA for predicting drug–target binding affinity

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

Título en diferentes idiomas: 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

Áreas temàticas: Ingeniería informática; Computer engineering; Enginyeria informàtica

Confidencialidad: No

Curso académico: 2023-2024

Estudiante: Gálvez Rísquez, Natzaret

APS: No

Departamento: Enginyeria Informàtica i Matemàtiques

Derechos de Accesso: info:eu-repo/semantics/openAccess

Fecha de la defensa del trabajo: 2024-09-16

Director del proyecto: Serratosa Casanelles, Francesc D'assís

Resumen: 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.

Materia: Medicaments--Monitoratge

Entidad: Universitat Rovira i Virgili (URV)

Idioma: en

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

Título en la lengua original: GraphDTA for predicting drug–target binding affinity

Fecha de alta en el repositorio: 2025-10-23