机构名称：
¥ 1.0
识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低实验成本，已经提出了大量用于此任务的计算方法。已经开发了基于机器学习的模型，尤其是二元分类模型来预测药物-靶标对是否相互作用。然而，当前方法的性能仍有很大改进空间。多标签学习可以克服单标签学习带来的一些困难，从而提高预测性能。多标签学习面临的关键挑战是指数级的输出空间，考虑标签相关性有助于克服这一挑战。在本文中，我们通过引入用于 DTI 预测的社区检测方法（称为 DTI-MLCD）来促进多标签分类。此外，我们更新了黄金标准数据集，在该数据集的基础上添加了 15,000 个以上的 DTI 正样本，该数据集自 2008 年以来已被大多数先前发布的 DTI 预测方法广泛使用。所提出的 DTI-MLCD 应用于这两个数据集，证明了它优于其他机器学习方法和几种现有方法。本研究的数据集和源代码可在 https://github.com/a96123155/DTI-MLCD 上免费获取。
DTI-MLCD：使用多重预测药物-靶标相互作用...
主要关键词
相关文件推荐
