HampDTI：一种用于药物-靶点相互作用预测的异构图自动元路径学习方法
机器学习
2022-10-19 v1 人工智能
分子网络
摘要
动机：识别药物-靶点相互作用（DTIs）是药物重定位中的关键步骤。近年来，大量基因组学与药理学数据的积累形成了海量的药物与靶点相关异质网络（HNs），这为开发基于HN的计算模型以准确预测DTIs提供了新机遇。HN隐含了大量关于DTIs的有用信息，但也包含无关数据，如何充分利用异质网络仍是一项挑战。结果：本文提出一种基于异构图自动元路径学习的DTI预测方法（HampDTI）。HampDTI从HN中自动学习药物与靶点之间的重要元路径，并生成元路径图。对于每张元路径图，从药物分子图与靶点蛋白序列学到的特征作为节点属性，进而设计了一种高效考虑节点类型信息（药物或靶点）的节点类型特定图卷积网络（NSGCN）来学习药物与靶点的嵌入表示。最后，融合来自多张元路径图的嵌入以预测新的DTIs。在基准数据集上的实验表明，所提HampDTI相较最先进的DTI预测方法取得了更优性能。更重要的是，HampDTI识别出了DTI预测中的重要元路径，可解释药物在HN中如何与靶点相连。
引用
@article{arxiv.2112.08567,
title = {HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction},
author = {Hongzhun Wang and Feng Huang and Wen Zhang},
journal= {arXiv preprint arXiv:2112.08567},
year = {2022}
}
备注
9 pages, 4 figures