FRnet-DTI：基于进化与结构特征并利用深度卷积神经网络的药物-靶标相互作用预测
机器学习
2020-05-26 v3 机器学习
摘要
药物-靶标相互作用预测任务在药理学与治疗性药物设计中具有重要意义。本文提出 FRnet-DTI，一种用于特征处理和药物-靶标相互作用预测的自动编码器与卷积分类器。我们提出两个卷积神经网络，其中一个模型用于特征处理，另一个用于分类。使用第一种方法 FRnet-1，我们为各数据集中的每个样本生成 4096 个特征，并使用第二种方法 FRnet-2 利用这些特征识别相互作用概率。我们在其他研究者详尽使用的四个黄金标准数据集上测试了我们的方法。实验结果表明，在四个药物-靶标相互作用黄金标准数据集中的三个上，我们的方法在接收者操作特征曲线下面积（auROC）和精确率-召回率曲线下面积（auPR）指标上均显著优于 SOTA 方法。我们还基于高预测分数引入了二十个新的潜在药物-靶标相互作用对。代码可用：https: // github. com/ farshidrayhanuiu/ FRnet-DTI/ 网页实现：http: // farshidrayhan. pythonanywhere. com/ FRnet-DTI/
引用
@article{arxiv.1806.07174,
title = {FRnet-DTI: Deep Convolutional Neural Networks with Evolutionary and Structural Features for Drug-Target Interaction},
author = {Farshid Rayhan and Sajid Ahmed and Zaynab Mousavian and Dewan Md Farid and Swakkhar Shatabda},
journal= {arXiv preprint arXiv:1806.07174},
year = {2020}
}