MuCoS：通过多上下文感知采样实现高效药物-靶点预测
机器学习
2025-02-26 v1 计算与语言
摘要
药物-靶点相互作用是理解生物学过程和推进药物发现的关键因素。然而，传统方法如ComplEx-SE、TransE和DistMult在处理未见关系和负三元组方面存在困难，限制了其在药物-靶点预测中的效果。为此，我们提出Multi-Context-Aware Sampling(MuCoS)，一种高效且正预测准确的药物-靶点预测方法。MuCoS通过优先选择高密度邻居来捕获信息丰富的结构模式，从而降低计算复杂度。这些优化的邻域表示与BERT集成，实现对缺失关系或尾实体的准确预测。MuCoS无需负三元组采样即可工作，既降低计算量又提升了对未见实体和关系的预测性能。在KEGG50k生物医学数据集上的实验表明，MuCoS在一般关系上的MRR提升13%，Hits@1提升7%，Hits@3提升4%，Hits@10提升18%；在药物-靶点关系预测上，MRR提升6%，Hits@1提升1%，Hits@3提升3%，Hits@10提升12%。
引用
@article{arxiv.2502.17784,
title = {MuCoS: Efficient Drug-Target Prediction through Multi-Context-Aware Sampling},
author = {Haji Gul and Abdul Gani Haji Naim and Ajaz A. Bhat},
journal= {arXiv preprint arXiv:2502.17784},
year = {2025}
}