Pharmacophore-based representation learning using graph neural networks in biological activity prediction

Przewidywanie aktywności biologicznej związków chemicznych jest kluczowym zadaniem wczesnych faz projektowania leków. Reprezentacje farmakoforowe odgrywają istotną rolę w identyfikacji potencjalnych związków zdolnych do interakcji z określonym celem biologicznym. W ramach niniejszej pracy dyplomowej przeprowadzono eksperymenty, które miały na celu porównanie skuteczności modeli opartych na klasycznych reprezentacjach związków chemicznych z modelami opartymi na reprezentacjach farmakoforowych oraz połączeniu tych reprezentacji. Po wytrenowaniu sześciu modeli na czterech zbiorach danych zaobserwowano wzrost skuteczności przewidywań modeli po uwzględnieniu cech farmakoforowych, zwłaszcza przy podziale zbiorów opartym na strukturze związków.

Predicting the biological activity of compounds is a crucial task in the early stages of drug design. Pharmacophore representations play an important role in identifying potential compounds capable of interacting with a specific biological target. In this thesis, experiments were conducted to compare the performance of models using classical representations of chemical compounds with those based on pharmacophore representations, as well as models combining both approaches. After training six models on four datasets, prediction performance improved when pharmacophore features were included, particularly when the datasets were partitioned based on compound structure.