用于药物-靶点相互作用预测的细粒度选择性相似度整合
人工智能
2023-03-22 v2
摘要
药物-靶点相互作用（DTIs）的发现是药物开发中的关键环节。计算方法是一种有前景且高效的替代方案，可替代繁琐且昂贵的湿实验室实验，从众多候选中预测新型 DTI。近来，随着来自不同数据源的大量异质生物信息的可用性，计算方法已能利用多种药物和靶点相似度来提升 DTI 预测性能。相似度整合是一种有效且灵活的策略，可跨互补相似度视图提取关键信息，为任何基于相似度的 DTI 预测模型提供压缩输入。然而，现有相似度整合方法从全局视角过滤和融合相似度，忽视了各药物和靶点的相似度视图效用。在本研究中，我们提出一种称为 FGS 的细粒度选择性相似度整合方法，其采用基于局部相互作用一致性的权重矩阵，在相似度选择和组合步骤中以更细粒度捕获并利用相似度的重要性。我们在五种 DTI 预测数据集的各种预测设置下评估 FGS。实验结果表明，我们的方法不仅以可比的计算成本优于相似度整合竞争对手，而且通过与常规基模型协作，取得了比最先进 DTI 预测方法更好的预测性能。此外，关于相似度权重分析和新型预测验证的案例研究证实了 FGS 的实用能力。
引用
@article{arxiv.2212.00543,
title = {Fine-Grained Selective Similarity Integration for Drug-Target Interaction Prediction},
author = {Bin Liu and Jin Wang and Kaiwei Sun and Grigorios Tsoumakas},
journal= {arXiv preprint arXiv:2212.00543},
year = {2023}
}