自适应球形演化的药物-靶标相互作用预测方法

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。

球形演化极限学习机在药物—靶标相互作用智能预测中的应用

为解决药物研发中湿法实验耗时长且高成本等问题,采用机器学习预测药物-靶标相互作用。同时,为解决机器学习在建立药物-靶标相互作用模型时,受到分类器的类不平衡和参数优化等各种问题的制约。文章提出了一个基于球形演化极限学习机的药物-靶相互作用预测方法(SEELM-DTI),该方法主要使用筛选法选择高置信负样本、利用球形演化算法对极限学习机的参数进行优化。该研究将SEELM-DTI与SELF-BLM、NetLapRLS、WNN-GIP、SPLCMF、BLM-NII在基准数据集中进行试验比较,评价指标为AUC与AUPR。实验结果表明:SEELM-DTI的性能和效果优于其他基准算法,并且解决了类不平衡和参数优化问题,最后在常用的多个药物数据库上验证了SEELM-DTI预测药物-靶标相互作用的效果。