相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程,但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法ASEKELM(self-Adaptive Spherical E...相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程,但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法ASEKELM(self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine)。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本;并且为了解决球形演化算法易陷入局部最优的问题,利用搜索因子历史记忆的反馈机制及群大小线性递减的策略(LPSR),实现全局搜索和局部搜索的平衡,提高算法的寻优能力;然后利用自适应球形演化算法对核极限学习机(KELM)的参数进行优化。在基于黄金标准的数据集上将ASEKELM与NetLapRLS(Network Laplacian Regularized Least Square)、BLM-NII(Bipartite Local Model with Neighbor-based Interaction profile Inferring)等算法进行对比,验证算法的性能。实验结果表明,在酶(E)、G-蛋白偶联受体(GPCR)、离子通道(IC)和核受体(NR)数据集中,ASE-KELM的ROC曲线下面积(AUC)与PR曲线下面积(AUPR)均优于对比算法;且基于DrugBank等数据库,ASE-KELM在预测新药物-靶标对的验证过程中表现良好。展开更多
药物-靶标作用关系预测在药物研发以及药物重定位中扮演着重要角色,但现有的机器学习方法在正负样本高度不平衡的数据上仍存在预测能力不足的问题。为此,提出一种基于图卷积神经网络的药物靶标作用关系预测方法。该方法首先构造一个结...药物-靶标作用关系预测在药物研发以及药物重定位中扮演着重要角色,但现有的机器学习方法在正负样本高度不平衡的数据上仍存在预测能力不足的问题。为此,提出一种基于图卷积神经网络的药物靶标作用关系预测方法。该方法首先构造一个结合多种药物(靶标)相关信息的异质信息网络,然后采用图卷积神经网络在此异质信息网络上学习得到能精确表达每个节点拓扑特征及邻居特征信息的低维向量表征,最后利用这些向量信息通过向量空间投影预测节点间概率的评分。在DrugBank_FDA和Yammanishi_08数据集上进行的药物-靶标作用关系预测的对比实验中,所提方法的AUPR(Area Under the Precision-Recall Curve)值都优于其他4种方法,并且在较大型数据集上也有较好的表现。实验结果表明,所提方法提高了样本高度不平衡时的药物-靶标作用关系预测性能;同时在生物药物数据库上的实验也验证了所提方法所发现的未知药物-靶标作用关系的有效性。展开更多
【目的】药物-靶标相互作用预测在药物重定位和药物开发方面起着至关重要的作用。【方法】提出了一种基于冗余度-相关性和交互作用结合的多特征融合算法RCI(redundancy-correlation and interaction),并结合堆叠集成分类器搭建药物靶标...【目的】药物-靶标相互作用预测在药物重定位和药物开发方面起着至关重要的作用。【方法】提出了一种基于冗余度-相关性和交互作用结合的多特征融合算法RCI(redundancy-correlation and interaction),并结合堆叠集成分类器搭建药物靶标预测模型。首先,提取药物和靶标的高维特征进行多特征融合,使用RCI算法构建非冗余的且具有相关性的交互特征子集。然后,将交互特征子集输入到由多个基学习器构成的堆叠集成分类器中进行训练。最后,对两个基准药物靶标网络进行了预测。【结果】实验结果表明,所搭建模型的准确度ACC值和AUC值均优于现有基线方法,说明所提算法的有效性。展开更多
文摘相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程,但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法ASEKELM(self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine)。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本;并且为了解决球形演化算法易陷入局部最优的问题,利用搜索因子历史记忆的反馈机制及群大小线性递减的策略(LPSR),实现全局搜索和局部搜索的平衡,提高算法的寻优能力;然后利用自适应球形演化算法对核极限学习机(KELM)的参数进行优化。在基于黄金标准的数据集上将ASEKELM与NetLapRLS(Network Laplacian Regularized Least Square)、BLM-NII(Bipartite Local Model with Neighbor-based Interaction profile Inferring)等算法进行对比,验证算法的性能。实验结果表明,在酶(E)、G-蛋白偶联受体(GPCR)、离子通道(IC)和核受体(NR)数据集中,ASE-KELM的ROC曲线下面积(AUC)与PR曲线下面积(AUPR)均优于对比算法;且基于DrugBank等数据库,ASE-KELM在预测新药物-靶标对的验证过程中表现良好。
文摘药物-靶标作用关系预测在药物研发以及药物重定位中扮演着重要角色,但现有的机器学习方法在正负样本高度不平衡的数据上仍存在预测能力不足的问题。为此,提出一种基于图卷积神经网络的药物靶标作用关系预测方法。该方法首先构造一个结合多种药物(靶标)相关信息的异质信息网络,然后采用图卷积神经网络在此异质信息网络上学习得到能精确表达每个节点拓扑特征及邻居特征信息的低维向量表征,最后利用这些向量信息通过向量空间投影预测节点间概率的评分。在DrugBank_FDA和Yammanishi_08数据集上进行的药物-靶标作用关系预测的对比实验中,所提方法的AUPR(Area Under the Precision-Recall Curve)值都优于其他4种方法,并且在较大型数据集上也有较好的表现。实验结果表明,所提方法提高了样本高度不平衡时的药物-靶标作用关系预测性能;同时在生物药物数据库上的实验也验证了所提方法所发现的未知药物-靶标作用关系的有效性。
文摘【目的】药物-靶标相互作用预测在药物重定位和药物开发方面起着至关重要的作用。【方法】提出了一种基于冗余度-相关性和交互作用结合的多特征融合算法RCI(redundancy-correlation and interaction),并结合堆叠集成分类器搭建药物靶标预测模型。首先,提取药物和靶标的高维特征进行多特征融合,使用RCI算法构建非冗余的且具有相关性的交互特征子集。然后,将交互特征子集输入到由多个基学习器构成的堆叠集成分类器中进行训练。最后,对两个基准药物靶标网络进行了预测。【结果】实验结果表明,所搭建模型的准确度ACC值和AUC值均优于现有基线方法,说明所提算法的有效性。
