研究

澳門理工大學的學術工作發表在生物信息學領域的最佳期刊上

澳門理工大學應用科學學院人工智能藥物發現中心劉煥香教授團隊的論文《Predicting molecular properties based on the interpretable graph neural network with multistep focus mechanism》獲國際頂尖生信期刊BRIEFINGS IN BIOINFORMATICS（2023, 24(1), 1-9, bbac534.）刊登（https://academic.oup.com/bib/article-abstract/24/1/bbac534/6918752?redirectedFrom=fulltext），該論文的第一作者為澳門理工大學一年級博士生田亞楠。該期刊是數學與計算生物學領域中排名第一的期刊，其影響因子 (Impact factor) 為13.994。

藥物發現的過程實質上就是逐步優化化合物的各項性質進而獲得安全有效的藥物的過程。因而，精確預測化合物的各項屬性對於新藥的設計和優化至關重要。近些年來，深度學習技術由於其強大的學習能力已經被廣泛應用到分子屬性預測以及分子生成領域。然而，目前基於深度學習的分子屬性預測方法中，大多數模型都是黑箱 子，無法給藥物設計和分子優化提供明確的指導。針對這一問題，本研究提出了一種新型的可解釋的圖神經網絡模型用於分子屬性預測。該模型以分子圖作為輸入表徵，以消息傳遞神經網絡作為基本架構，通過嵌入多步focus機制提高模型的預測性能。其中，多步focus機制主要包括兩個階段：模型使用消息傳遞神經網絡根據目標節點特徵以及鄰居節點特徵對目標節點特徵進行更新，然後利用focus層計算出目標節點的focus係數，該係數表徵了節點對預測屬性的重要性。在迭代過程中，模型通過多步focus機制對節點權重不斷地調整更新，最終通過識別分子中與預測屬性相關的關鍵節點對分子屬性做出預測。最終，8個基準集上的大量實驗結果表明IFGN模型在分類任務和回歸任務兩個方面都具有優越的預測性能，並且可視化結果也證明了IFGN可以成功地識別出分子中與預測屬性密切相關的關鍵節點，從而增加模型的可解釋性。此外，為方便藥物研發人員的使用，我們也創建了相關的網站。

作為澳門第一個人工智能藥物發現博士課程，澳門理工大學人工智能藥物發現中心以國家與澳門生物醫藥戰略需求為導向，以應用科學學院和健康科學及體育學院堅實的學科優勢為依託， 致力於應用人工智能技術發展新藥研發的跨學科複合型人才的培養以及人工智能技術與藥物篩選、藥物設計以及藥物優化等方向的交叉融合，並深入與生物醫藥企業交流合作，積極推動科研成果的轉化。