Loading...
机构名称:
¥ 1.0

动机:识别药物-靶标相互作用(DTI)是药物重新定位的关键步骤。近年来,大量基因组学和药理学数据的积累形成了海量药物和靶标相关的异构网络(HN),为开发基于HN的计算模型以准确预测DTI提供了新的机会。HN隐含了大量关于DTI的有用信息,但也包含不相关的数据,如何充分利用异构网络仍然是一个挑战。结果:本文提出了一种基于异构图自动元路径学习的DTI预测方法(HampDTI)。HampDTI从HN中自动学习药物和靶标之间的重要元路径,并生成元路径图。对于每个元路径图,从药物分子图和靶标蛋白序列中学习到的特征作为节点属性,然后设计一个有效考虑节点类型信息(药物或靶标)的节点类型特定图卷积网络(NSGCN)来学习药物和靶标的嵌入。最后,将来自多个元路径图的嵌入组合起来以预测新的 DTI。在基准数据集上的实验表明,我们提出的 HampDTI 与最先进的 DTI 预测方法相比取得了优异的性能。更重要的是,HampDTI 确定了 DTI 预测的重要元路径,这可以解释药物如何与 HN 中的靶标相互作用。联系方式:name@bio.com 补充信息:补充数据可在 Bioinformatics 在线获取。

arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日

arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日PDF文件第1页

arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日PDF文件第2页

arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日PDF文件第3页

arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日PDF文件第4页

arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日PDF文件第5页

相关文件推荐

2022 年
¥1.0