MKDTI：基于图注意力网络多核融合的药物靶点相互作用预测
机器学习
2024-07-16 v1 定量方法
摘要
药物靶点关系可通过生物信息学数据进行计算预测，这是理解药理效应、提升药物开发效率和推动相关研究的重要工具。目前已涌现出多种基于结构的、基于配体的和基于网络的方法。此外，将图注意力网络与复杂药物靶点研究相结合是日益受到关注的应用领域。本文提出了称为 MKDTI 的模型，通过从图注意力网络的各层嵌入中提取核信息。这种组合方式可提高对新型药物靶点关系的预测能力。我们首先使用药物和靶点的异构数据构建药物靶点异构网络，然后采用自增强多头图注意力网络提取每一层的潜在特征。随后，我们利用各层的嵌入来计算核矩阵并融合多个核矩阵。最后，我们采用双拉普拉斯正则化最小二乘框架来预测新的药物靶点实体连接。通过整合与药物靶点相关的核矩阵，可促进此预测。我们使用 AUPR 和 AUC 衡量模型的效果。与基准算法相比，本模型在预测结果方面表现优于它们。此外，我们进行了核选取实验。结果表明，多核融合方法与图注意力网络生成的核矩阵结合，为模型提供了互补的洞见。这种信息的融合有助于提高预测准确性。
引用
@article{arxiv.2407.10055,
title = {MKDTI: Predicting drug-target interactions via multiple kernel fusion on graph attention network},
author = {Yuhuan Zhou and Yulin Wu and Weiwei Yuan and Xuan Wang and Junyi Li},
journal= {arXiv preprint arXiv:2407.10055},
year = {2024}
}