该论文探讨了使用图神经网络（GNN）和蛋白质接触图预测药物-靶标亲和力的方法。研究中，通过比较不同模型架构、超参数设置（如dropout概率和池化方法）以及特征（如PSSM）的影响，发现三层GCN模型在描述蛋白质时表现最优。实验结果显示，当dropout概率为0.2时，模型的MSE值最低，性能最佳。此外，PSSM特征对于提高蛋白质描述准确性和预测性能至关重要。与DeepDTA等方法相比，提出的三层模型在多个评价指标上展现出更优的预测和泛化性能。
论文解读：基于图神经网络与蛋白质接触图的药靶亲和力预测（二）2021SC@SDUSC
Drug–target affinity prediction using graph neural
network and contact maps
文章采用的验证指标：
CI
CI主要用于计算分析中预测值与真实值之间的区别
其中bx为较大亲和dx的预测值，by为较小亲和dy的预测值，Z为归一化常数；h(x)为阶跃函数（前面说分析真实值与预测值与公式中只有预测值带入有点矛盾，但是字面意思是一致性，那么肯定是越大越好）
MSE
MSE也是衡量预测值和真实值之间差的公共度量。
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uJ14KwyX-1636443613201)(C:\Users\93108\AppData\Roaming\Typora\typora-user-images\image-20211021172422436.png)]](https://i-blog.csdnimg.cn/blog_migrate/29dc1f53f9e5ccbe9c13c89603f345d2.png)
Pearson相关系数
皮尔森相关系数也用于进行性能比较：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
