双曲空间中的半监督层次化药物嵌入
机器学习
2020-06-02 v1 分子网络
定量方法
机器学习
摘要
学习准确的药物表示对于计算药物重定位与药物副作用预测等任务至关重要。药物层次结构是一种宝贵的信息源，它以树状结构编码了人类关于药物关系的知识，其中作用于同一器官、治疗同一疾病或结合同一生物靶点的药物被归为一组。然而，其在学习药物表示中的效用尚未被探索，且当前所述的药物表示无法将新分子置于药物层次中。在此，我们开发了半监督药物嵌入，融合两类信息：(1) 从药物及类药分子分子结构推断出的底层化学语法（无监督）；(2) 专家构建的已批准药物层次中所编码的层次关系（有监督）。我们使用变分自编码器(VAE)框架编码分子化学结构，并利用基于知识的药物-药物相似性诱导药物在双曲空间中的聚类。双曲空间适于编码层次概念。定量与定性结果均支持所学药物嵌入能准确复现化学结构并诱导药物间层次关系。此外，我们的方法可通过从嵌入空间检索相似药物来推断新分子的药理性质。我们证明所学药物嵌入可用于发现现有药物新用途及揭示副作用，并在两项任务上显著优于基线方法。
引用
@article{arxiv.2006.00986,
title = {Semi-Supervised Hierarchical Drug Embedding in Hyperbolic Space},
author = {Ke Yu and Shyam Visweswaran and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2006.00986},
year = {2020}
}