摘要

抗体-药物偶联物（ADCs）作为一类有前景的靶向抗癌治疗药物已经崭露头角，但其细胞毒性载荷的设计和优化仍然充满挑战。本研究介绍了一种名为DumplingGNN的新颖混合图神经网络架构，专门用于基于化学结构预测ADC载荷活性。通过整合消息传递神经网络（MPNN）、图注意力网络（GAT）和GraphSAGE层，DumplingGNN能够有效捕捉多尺度分子特征，并利用二维拓扑和三维结构信息。我们对DumplingGNN在综合的ADC载荷数据集上进行了评估，该数据集专注于DNA拓扑异构酶I抑制剂，并在MoleculeNet的多个公共基准上进行了测试。DumplingGNN在多个数据集上取得了最先进的性能，包括BBBP（96.4% ROC-AUC）、ToxCast（78.2% ROC-AUC）和PCBA（88.87% ROC-AUC）。在我们的专业ADC载荷数据集上，它展示了卓越的准确性（91.48%）、敏感性（95.08%）和特异性（97.54%）。消融研究表明了混合架构的协同效应以及三维结构信息在提高预测准确性方面的关键作用。通过注意力机制实现的强大可解释性为结构-活性关系提供了宝贵的见解。DumplingGNN在分子性质预测方面代表了一个重要的进展，特别是在加速ADC载荷设计和优化以推动靶向癌症治疗的发展方面具有巨大潜力。