Loading...
机构名称:
¥ 1.0

摘要:现代药物发现的挑战激发了基于机器学习的方法的使用,例如预测药品目标相互作用或已批准的药物的新颖指示,以加快早期发现或重新定位过程。出版偏见导致大规模重新定位数据集中已知的负数据点短缺。但是,训练一个良好的预测因子需要正面和负样本。最近在机器学习的子场中也解决了负面抽样的问题,即最重要的是表示和度量学习。尽管这些新型的负面抽样方法被证明是从不平衡数据集中学习的有效解决方案,但它们尚未用于重新定位,以至于学到的相似性提供了预测的相互作用。在本文中,我们在成对的药物靶向/药物疾病的预测中适应了学习启发的方法,并提出了对其中一个损失函数之一的修改,以更好地管理负样本的不确定性。我们使用基准药物发现和重新定位数据集评估了这些方法。结果表明,与公制学习的相互作用预测在高度不平衡的情况下(例如药物重新定位)优于以前的方法。

DT-ML:药物目标度量学习

DT-ML:药物目标度量学习PDF文件第1页

DT-ML:药物目标度量学习PDF文件第2页

DT-ML:药物目标度量学习PDF文件第3页

DT-ML:药物目标度量学习PDF文件第4页

DT-ML:药物目标度量学习PDF文件第5页

相关文件推荐