一种无需药物结构知识、输入极简的多层感知机用于预测药物-药物相互作用
定量方法
2020-05-22 v1 机器学习
摘要
预测模型在药物发现产业中的必要性再怎么强调也不为过。鉴于被认为可用的潜在化合物数量庞大，研究药物间重叠相互作用的计算难度日益增加。对此的理解对于需要知道哪些可以混用、哪些不能混用的外行也很重要，尤其是使用娱乐性药物者——这类药物没有处方药那样严格的警示。在无法获得每一种药物组合确定性实验结果的情况下，有必要用其他方法来弥补这一知识缺口。理想情况下，此类方法应仅需极简输入、具有高准确度且计算可行。我们尚未见到满足所有这些标准的模型。为此，我们提出一种极简输入的多层感知机，用于预测两种药物间的相互作用。该模型的一大优势是无需相关分子的结构知识，而仅使用实验可获取的化学与物理性质——每种化合物共计 20 个。利用一组已知的药物-药物相互作用及所涉药物的相关性质，我们在一个约 650,000 条记录的数据集上训练了模型。我们报告在模型训练所用药物间相互作用的未见样本上准确率为 0.968，在未见药物间相互作用的未见样本上准确率为 0.942。我们认为这是一个有前景且高度可扩展的模型，经进一步调优有望实现高泛化预测准确度。
引用
@article{arxiv.2005.10644,
title = {A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug Interactions Without Knowledge of Drug Structure},
author = {Alun Stokes and William Hum and Jonathan Zaslavsky},
journal= {arXiv preprint arXiv:2005.10644},
year = {2020}
}