迈向更具归纳性的药物重定位方法世界
机器学习
2023-11-27 v2 定量方法
摘要
药物-靶点相互作用（DTI）预测是药物重定位中一项具挑战性但至关重要的任务。图模型上的学习已引起特别关注，因其可显著降低药物重定位的成本与时间投入。然而，许多现有方法除 DTI 外还需高要求的附加信息，这使其评估过程与可用性复杂化。此外，当前模型在学习架构上的结构差异阻碍了其公平基准测试。本工作中，我们首先通过稳健的基准测试流程对当前 DTI 数据集与预测模型进行深度评估，并表明基于转导模型的 DTI 预测方法缺乏泛化能力，且按文献既往方式评估时会导致性能虚高，因而不适用于药物重定位方法。随后我们提出一种新颖的生物学驱动的负边子采样策略，并通过体外验证表明新发现的相互作用确为真。我们视本工作为未来公平基准测试与稳健模型设计的基石。所有生成的资源与工具均作为 python 包公开可用。
引用
@article{arxiv.2311.12670,
title = {Towards a more inductive world for drug repurposing approaches},
author = {Jesus de la Fuente and Guillermo Serrano and Uxía Veleiro and Mikel Casals and Laura Vera and Marija Pizurica and Antonio Pineda-Lucena and Idoia Ochoa and Silve Vicent and Olivier Gevaert and Mikel Hernaez},
journal= {arXiv preprint arXiv:2311.12670},
year = {2023}
}