计算药物重新定位和药物靶标预测已成为药物发现早期阶段的重要任务。在以前的研究中,这两项任务通常是分开考虑的。然而,这两个任务中研究的实体(即药物、靶标和疾病)本质上是相关的。一方面,药物与细胞中的靶标相互作用以调节靶标活动,进而改变生物途径以促进健康功能并治疗疾病。另一方面,药物重新定位和药物靶标预测都涉及相同的药物特征空间,这自然地将这两个问题和两个领域(疾病和靶标)联系起来。通过利用群体智慧,可以将知识从一个领域转移到另一个领域。药物-靶标-疾病之间的关系的存在促使我们在药物发现中共同考虑药物重新定位和药物靶标预测。在本文中,我们提出了一种称为 iDrug 的新方法,它通过跨网络嵌入将药物重新定位和药物靶标预测无缝地集成到一个连贯的模型中。具体来说,我们提供了一种原则性的方法来从这两个领域转移知识并提高这两项任务的预测性能。使用真实世界的数据集,我们证明 iDrug 在两项学习任务上的表现都优于几种最先进的方法。我们的代码和数据集可在以下网址获得:https://github.com/Case-esaC/iDrug 。
主要关键词