SL$^2$MF：通过逻辑矩阵分解预测人类癌症中的合成致死
机器学习
2018-10-23 v1 定量方法
机器学习
摘要
合成致死（SL）是一种用于抗癌药物靶点新颖发现的有前景概念。然而，用于检测SL的湿实验面临诸多挑战，如成本高、跨平台或细胞系一致性低。因此，需要计算预测方法来解决这些问题。本文提出一种新颖的SL预测方法，名为SL2MF，其采用逻辑矩阵分解从观测到的SL数据中学习基因的潜在表示。两个基因可能形成SL的概率由基因潜在向量的线性组合建模。由于已知SL对比未知对更可信，我们设计了重要性加权方案，在SL2MF中为已知SL对分配较高的重要性权重，为未知对分配较低的重要性权重。此外，我们还融入了来自蛋白质-蛋白质相互作用（PPI）数据和基因本体（GO）的基因的生物学知识。特别地，我们基于基因在PPI网络中的GO注释和拓扑属性计算基因间相似性。在SynLethDB数据库的SL相互作用数据上进行了大量实验，以证明SL2MF的有效性。
引用
@article{arxiv.1810.08726,
title = {SL$^2$MF: Predicting Synthetic Lethality in Human Cancers via Logistic Matrix Factorization},
author = {Yong Liu and Min Wu and Chenghao Liu and Xiao-Li Li and Jie Zheng},
journal= {arXiv preprint arXiv:1810.08726},
year = {2018}
}