目的采用图注意力网络(graph attention network,GAT)预测人类微生物与药物之间的潜在关联。方法选取三个常用的微生物-药物关联(microbe-drug associations,MDA)数据集(MDAD、aBiofilm和Drug Virus),基于数据集中丰富的生物信息构建一...目的采用图注意力网络(graph attention network,GAT)预测人类微生物与药物之间的潜在关联。方法选取三个常用的微生物-药物关联(microbe-drug associations,MDA)数据集(MDAD、aBiofilm和Drug Virus),基于数据集中丰富的生物信息构建一个异构网络,并提出一种基于GAT框架预测MDA的模型——GATMDA模型,用于预测微生物与药物间的关联。结果与现有的8种预测方法相比,GATMDA通过三种交叉验证方法在三个数据集上具有较好的预测效果。在5折交叉验证的性能评估中,在三个数据集上的受试者工作特征曲线下的面积(area under the curve,AUC)分别为0.9886、0.9941和0.9836,精确率-召回率曲线下的面积(area under the precision-recall curve,AUPR)分别为0.9667、0.9869和0.8795。通过病例研究进一步验证了GATMDA在预测MDA方面的有效性。结论基于GAT,GATMDA模型可以通过构建的异构网络对微生物-药物进行有效的关联预测。展开更多
药物与蛋白质间关联性的研究,有助于药物的重新定位和发现药物新的使用途径,是网络药理学的重要研究内容。应用现有网络随机游走算法预测药物与蛋白质间新的关联时,一般直接在药物-蛋白质二分图网络内进行随机游走,并且不断重复此过程,...药物与蛋白质间关联性的研究,有助于药物的重新定位和发现药物新的使用途径,是网络药理学的重要研究内容。应用现有网络随机游走算法预测药物与蛋白质间新的关联时,一般直接在药物-蛋白质二分图网络内进行随机游走,并且不断重复此过程,这种方法效率很低,还会遗漏药物-药物相似性网络和蛋白-蛋白相似性网络中部分拓扑信息。鉴于此,本文提出一种异构网络异步重启随机游走算法(Drug Restart Walk Random Prediction,DRWRP),构建药物-蛋白质异构网络,深层次挖掘二者间潜在的关联性。该算法分别在药物相似性网络、蛋白质相似性网络以及药物-蛋白质二分图网络中进行随机游走,然后在网络间不停跳转,反复迭代后形成稳态概率向量,最终得到潜在最优关联。仿真实验表明,本文提出的算法可以有效预测药物与蛋白质间新的关联,多数预测结果获得了文献证据支持。展开更多
文摘目的采用图注意力网络(graph attention network,GAT)预测人类微生物与药物之间的潜在关联。方法选取三个常用的微生物-药物关联(microbe-drug associations,MDA)数据集(MDAD、aBiofilm和Drug Virus),基于数据集中丰富的生物信息构建一个异构网络,并提出一种基于GAT框架预测MDA的模型——GATMDA模型,用于预测微生物与药物间的关联。结果与现有的8种预测方法相比,GATMDA通过三种交叉验证方法在三个数据集上具有较好的预测效果。在5折交叉验证的性能评估中,在三个数据集上的受试者工作特征曲线下的面积(area under the curve,AUC)分别为0.9886、0.9941和0.9836,精确率-召回率曲线下的面积(area under the precision-recall curve,AUPR)分别为0.9667、0.9869和0.8795。通过病例研究进一步验证了GATMDA在预测MDA方面的有效性。结论基于GAT,GATMDA模型可以通过构建的异构网络对微生物-药物进行有效的关联预测。
文摘药物与蛋白质间关联性的研究,有助于药物的重新定位和发现药物新的使用途径,是网络药理学的重要研究内容。应用现有网络随机游走算法预测药物与蛋白质间新的关联时,一般直接在药物-蛋白质二分图网络内进行随机游走,并且不断重复此过程,这种方法效率很低,还会遗漏药物-药物相似性网络和蛋白-蛋白相似性网络中部分拓扑信息。鉴于此,本文提出一种异构网络异步重启随机游走算法(Drug Restart Walk Random Prediction,DRWRP),构建药物-蛋白质异构网络,深层次挖掘二者间潜在的关联性。该算法分别在药物相似性网络、蛋白质相似性网络以及药物-蛋白质二分图网络中进行随机游走,然后在网络间不停跳转,反复迭代后形成稳态概率向量,最终得到潜在最优关联。仿真实验表明,本文提出的算法可以有效预测药物与蛋白质间新的关联,多数预测结果获得了文献证据支持。