融合分离：用于数据稀缺药物-靶点相互作用预测的协同专家混合模型
机器学习
2025-03-21 v1 人工智能
摘要
药物-靶点相互作用预测 (DTI) 是包括药物发现和临床应用在内的众多领域的关键环节。 目前在 DTI 预测中广泛使用的两种输入数据视角：内在数据表示药物或靶点的构建方式，外在数据表示药物或靶点与其他生物实体的关系。 然而，两种输入数据视角中任何一种对于某些药物或靶点（尤其是较少使用或新发现的药物或靶点）都可能稀缺。 此外，特定相互作用类型的真实标签也可能稀缺。 因此，我们提出了首个针对输入数据和/或标签稀缺情况下的 DTI 预测方法。 为了在仅存在一种输入数据视角时模型仍可正常工作，我们设计了两个独立的专家分别处理内在数据和外在数据，并根据不同样本自适应地对其进行融合。 此外，为了使两种视角互补并弥补标签稀缺，两个专家以相互监督方式协同利用大量未标记数据。 在不同程度的输入数据稀缺和/或标签稀缺下，对 3 个真实世界数据集进行大量实验，表明我们的方法在性能上显著且稳健地优于当前最先进方法，最大提升幅度达 53.53%。 我们还测试了在无数据稀缺情况下的模型，其性能仍优于当前方法。
引用
@article{arxiv.2503.15796,
title = {Blend the Separated: Mixture of Synergistic Experts for Data-Scarcity Drug-Target Interaction Prediction},
author = {Xinlong Zhai and Chunchen Wang and Ruijia Wang and Jiazheng Kang and Shujie Li and Boyu Chen and Tengfei Ma and Zikai Zhou and Cheng Yang and Chuan Shi},
journal= {arXiv preprint arXiv:2503.15796},
year = {2025}
}