利用人工神经网络与经典图相似度度量检测药物-药物相互作用
机器学习
2019-08-06 v2 定量方法
机器学习
摘要
药物-药物相互作用是可预防的医学伤害原因，常导致就医与急诊就诊。计算技术可用于预测潜在的药物-药物相互作用。我们将药物-药物相互作用预测问题视为链接预测问题，并提出两种基于人工神经网络与图上节点因子传播的新型药物-药物相互作用预测方法：邻接矩阵分解（AMF）与带传播的邻接矩阵分解（AMFP）。我们通过先在 DrugBank 数据库前一版本（含 1,141 种药物与 45,296 个药物-药物相互作用）上训练模型，再在后一版本（含 1,440 种药物与 248,146 个药物-药物相互作用）上评估结果来进行回顾性分析。此外，我们使用 DrugBank 进行留出分析。我们报告的受试者工作特征曲线下面积（AUC）分数在回顾性与留出分析中分别为 0.807 与 0.990。最后，我们利用 AMF、AMFP 及现有链接预测方法构建基于集成的分类器，在回顾性与留出分析中分别获得 0.814 与 0.991 的受试者工作特征曲线下面积。我们证明，与现有方法相比，AMF 与 AMFP 提供了最先进（state of the art）的结果，且基于集成的分类器通过组合多种预测器提升了性能。这些结果表明，在仅有部分或含噪数据的情况下，AMF、AMFP 与所提基于集成的分类器可在药物研发与处方时提供重要信息。这些方法也可用于解决其他链接预测问题。训练模型时利用相互作用网络创建的药品嵌入（压缩表示）已公开。
引用
@article{arxiv.1903.04571,
title = {Detecting drug-drug interactions using artificial neural networks and classic graph similarity measures},
author = {Guy Shtar and Lior Rokach and Bracha Shapira},
journal= {arXiv preprint arXiv:1903.04571},
year = {2019}
}