用于预测药物-蛋白质相互作用类型的高可扩展张量分解
机器学习
2015-12-02 v1
摘要
理解抑制性相互作用的类型在药物设计中发挥着重要作用。因此，研究人员致力于了解药物对特定蛋白质靶点是否具有竞争性或非竞争性相互作用。方法：为了分析相互作用类型，我们提出了张量分解方法 Macau，该方法允许我们将不同的测量类型与蛋白质和化合物结合到单个张量中。化合物由高维2D ECFP指纹表征。所提方法的新颖之处在于，使用专门设计的噪声注入 MCMC 采样器，即使对于包含数百万化合物的大规模数据集，它也能融合高维侧信息，即数百万个独特的2D ECFP化合物特征。在这种情况下，若没有侧信息，张量分解实际上将毫无用处。结果：使用来自 ChEMBL 的公共 IC50 和 Ki 数据，我们训练了一个模型，从中可以识别出分离两种测量类型（IC50 和 Ki）的潜在子空间。结果表明，所提方法能够检测化合物与蛋白质之间的竞争性抑制活性。
关键词
引用
@article{arxiv.1512.00315,
title = {Highly Scalable Tensor Factorization for Prediction of Drug-Protein Interaction Type},
author = {Adam Arany and Jaak Simm and Pooya Zakeri and Tom Haber and Jörg K. Wegner and Vladimir Chupakhin and Hugo Ceulemans and Yves Moreau},
journal= {arXiv preprint arXiv:1512.00315},
year = {2015}
}