药物-靶标相互作用 (DTI) 的发现是一个非常有前途的研究领域,具有巨大的潜力。通过计算方法准确识别药物和蛋白质之间的可靠相互作用,通常利用从不同数据源检索到的异构信息,可以促进有效药物的开发。尽管随机游走和矩阵分解技术在 DTI 预测中被广泛使用,但它们有几个局限性。基于随机游走的嵌入生成通常以无监督的方式进行,而矩阵分解中的线性相似性组合会扭曲不同观点提供的个体见解。为了解决这些问题,我们采用多层网络方法来处理不同的药物和靶标相似性,并提出了一种新的优化框架,称为基于多相似性 DeepWalk 的矩阵分解 (MDMF),用于 DTI 预测。该框架统一了嵌入生成和交互预测,学习药物和靶标的向量表示,不仅可以在所有超层中保持高阶接近度和层特定的局部不变性,还可以近似其内积的相互作用。此外,我们开发了一种集成方法 (MDMF2A),该方法集成了 MDMF 模型的两个实例,分别优化了精确召回曲线下面积 (AUPR) 和受试者工作特征曲线下面积 (AUC)。对现实世界 DTI 数据集的实证研究表明,我们的方法在四种不同设置中实现了比当前最先进的方法具有统计显著改进。此外,对高排名非相互作用对的验证也证明了 MDMF2A 发现新型 DTI 的潜力。
主要关键词
![arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日PDF文件第1页](/bimg/b/ba421ba7eb8a6d2acc067f4a2fa310b78bb718cb.webp)
![arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日PDF文件第2页](/bimg/c/c7342ca1958522231c90534269b1b4719f13becc.webp)
![arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日PDF文件第3页](/bimg/8/8a13d6b43d7601b8e164b7a109726df9406df0c8.webp)
![arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日PDF文件第4页](/bimg/4/45f0f87f4d6db2bf43081c460e52ac48c3e08476.webp)
![arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日PDF文件第5页](/bimg/e/e9f48408ed86a8b5fee99aca2b1c7ac369f32e53.webp)
