识别药物-靶标相互作用(DTI)是药物再利用和创新药物发现中不可或缺的关键步骤,目前已经有许多基于序列的计算方法被广泛应用于DTI预测;然而,在以往的基于序列的研究中,特征提取通常只关注序列本身,忽视了异构信息网络,如药物-药物相互...识别药物-靶标相互作用(DTI)是药物再利用和创新药物发现中不可或缺的关键步骤,目前已经有许多基于序列的计算方法被广泛应用于DTI预测;然而,在以往的基于序列的研究中,特征提取通常只关注序列本身,忽视了异构信息网络,如药物-药物相互作用网络、药物-靶标相互作用网络等。因此,提出一种基于序列和多视角网络进行DTI预测的新方法 SMN-DTI(prediction of Drug-Target Interactions based on Sequence and Multi-view Networks)。该方法使用变分自编码器(VAE)学习药物SMILES(Simplified Molecular-Input Line-Entry System)字符串和靶标氨基酸序列的嵌入矩阵;随后,利用具有两级注意力机制的异构图注意力网络(HAN)从节点和语义2个视角的网络中聚集来自药物或靶标的不同邻居的信息,并得到最终的嵌入。在2个广泛用于DTI预测的基准数据集Hetero-seq-A和Hetero-seqB上对SMN-DTI和基准方法进行评估的结果表明,在3种不同正负样本比例下SMN-DTI均取得了最优的特征曲线下面积(AUC)和精确召回曲线下面积(AUPR)。可见,SMN-DTI比目前主流的先进预测方法具有更好的性能。展开更多
文摘识别药物-靶标相互作用(DTI)是药物再利用和创新药物发现中不可或缺的关键步骤,目前已经有许多基于序列的计算方法被广泛应用于DTI预测;然而,在以往的基于序列的研究中,特征提取通常只关注序列本身,忽视了异构信息网络,如药物-药物相互作用网络、药物-靶标相互作用网络等。因此,提出一种基于序列和多视角网络进行DTI预测的新方法 SMN-DTI(prediction of Drug-Target Interactions based on Sequence and Multi-view Networks)。该方法使用变分自编码器(VAE)学习药物SMILES(Simplified Molecular-Input Line-Entry System)字符串和靶标氨基酸序列的嵌入矩阵;随后,利用具有两级注意力机制的异构图注意力网络(HAN)从节点和语义2个视角的网络中聚集来自药物或靶标的不同邻居的信息,并得到最终的嵌入。在2个广泛用于DTI预测的基准数据集Hetero-seq-A和Hetero-seqB上对SMN-DTI和基准方法进行评估的结果表明,在3种不同正负样本比例下SMN-DTI均取得了最优的特征曲线下面积(AUC)和精确召回曲线下面积(AUPR)。可见,SMN-DTI比目前主流的先进预测方法具有更好的性能。
