互动一致性指数：用于互动预测方法的绩效评估
机器学习
2025-10-17 v1 机器学习
摘要
考虑两个实体及其成员之间的相互亲和值集合，例如药物-靶点亲和值(DTA)。当药物对靶点的作用取决于靶点时，药物和靶点被称为具有DTA上的相互作用。存在互动意味着，将药物分配给靶点而将另一药物分配给另一靶点所得的累计DTA，与相反分配所得的DTA不同。正确捕获互动可实现更好的决策，例如在将有限数量的药物剂量分配给其最佳匹配靶点的情境下。学习从已知DTA或联合药物和靶点的副信息（如药物和靶点的化学结构）预测DTA。本文引入我们称为互动一致性指数(IC指数)的指标，用于评估固定预测器和旨在推断互动方向的机器学习算法。IC指数补充了流行使用的DTA预测绩效评估器，通过评估正确预测互动作用方向的比例。首先，我们展示了IC指数在无法捕获互动的预测器上的不变性。其次，我们表明学习算法对药物和靶点身份的置换等价性意味着在训练时未看到药物、靶点或两者时，其无法捕获互动。实际应用中，通过纳入药物和靶点的适当副信息来消除这种等价性。我们对多个生物医学互动数据集进行全面实证评估，使用各种最先进的机器学习算法。实验表明，不同类型的亲和力强度预测方法在IC指数方面如何表现，补充了现有的预测绩效评估器。
引用
@article{arxiv.2510.14419,
title = {Interaction Concordance Index: Performance Evaluation for Interaction Prediction Methods},
author = {Tapio Pahikkala and Riikka Numminen and Parisa Movahedi and Napsu Karmitsa and Antti Airola},
journal= {arXiv preprint arXiv:2510.14419},
year = {2025}
}