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。

基于深度学习的药物−靶标相互作用预测研究综述

新药物研发是一项耗时、耗力、耗资的复杂工程,整体成功率低于10%。药物−靶标相互作用预测是药物筛选和药物重定位的关键环节。准确的药物−靶标相互作用预测可有效缩小候选药物分子筛选范围,加速药物研发进程。传统实验方法研究药物−靶标相互作用耗时长、成本高且伴有一定的盲目性,难以进行大规模的药物−靶标相互作用识别工作。近年来,将机器学习尤其是深度学习技术用于药物−靶标相互作用预测成为主流研究。尽管在过去10年有大量的研究工作纷纷涌现,药物−靶标相互作用预测仍然是物质密集型和长期性的工作,对研究者来说仍具有挑战性。本文梳理近年来基于深度学习的药物−靶标相互作用预测研究工作,归纳总结现有工作的研究方法、评价指标和使用的数据资源,分析现有工作的不足并提出展望。本文的研究目的是帮助药物研发领域研究者全面了解深度学习在药物−靶标相互作用预测领域的最新研究进展,从而提高研究效率和研究质量。

药物-靶标相互作用预测平台设计与实现

旧药新用是应对突发疾病的有效手段。利用计算技术筛选潜在的药物-靶标关联,有利于快速发现治疗疾病的候选药物。基于Matlab语言设计了一款药物-靶标预测平台,在标准数据集上运用网络一致性投影方法预测,分析了余弦相似性计算、高斯内核相似性计算及Logistic变换对预测结果的影响,实验结果证实了平台的有效性。

预测药物-靶点相互作用的异构网络嵌入模型研究

药物-靶点相互作用(DTIs)预测是药物发现的重要过程。随着计算技术的发展,基于生物数据的计算方法正高效率地加速这一过程。然而,这些方法大多忽略了靶标和药物的序列特征和异构性。本研究通过机器学习方法,提出多重网络嵌入框架(MLB-NEDTP)的预测模型,首先分析序列特征,然后将融合的特征嵌入多层异质信息网络中,以提高预测性能。多个数据集训练和验证结果表明,该模型与ATOMNET等最新模型相比具有明显优势。

基于多标记学习预测药物-靶标相互作用

对药物-靶标关联进行了研究,提出基于弱标记和多信息融合的药物-靶标相互作用预测方法 PDML。通过与其他方法对比和数据库检索验证评估PDML模型的性能:与Yamanishi提出的方法、RLSMDA、Lap RLS及Net CBP相比,除在核受体数据集中该方法在AUC上的性能比Lap RLS略有降低之外,模型在敏感性、特异性、AUC和AUPR上的性能均优于其他四种方法;提取前5个预测分值最高的药物-靶标对,这些药物-靶标对能通过检索Drug Bank、Super Target和KEGG数据库而得到验证。

多源描述符融合的药物-靶标相互作用预测框架

识别药物靶标相互作用(DTI)是药物发现的一项关键任务,在虚拟筛选、药物重定位和识别药物副作用等领域都发挥了至关重要的作用。通过传统的生物实验方法识别DTI通常昂贵且耗时,随着深度学习在自然语言处理等领域取得的巨大成功,已有许多研究利用深度学习预测潜在的DTI。然而,先前的许多研究仅利用药物和蛋白的单视角特征预测DTI,忽视了多源描述符的潜在价值。该文提出了一种融合多源描述符的药物靶标相互作用预测框架(DFDTI),充分利用药物和蛋白不同视角的结构信息。首先,通过全连接(FC)层为多源描述符生成低维表示;然后,考虑到不同类型的描述符对DTI预测的贡献度不同,利用通道注意力机制给予不同的描述符权重;此外,使用单层Transformer编码器增强描述符的特征表示;最后,拼接药物和蛋白的增强特征表示,并输入到深度神经网络(DNN)中以预测DTI。实验结果表明,DFDTI能够有效融合不同类型的描述符,在3类评价指标上均优于该文中所有的基线方法。

基于图神经网络的药物-靶标相互作用预测研究

阐述基于图神经网络的药物-靶标相互作用预测问题的主要变体,并对各种变体的方法进行深入梳理与分析,对常用数据集进行整理与分析,最后对药物-靶标相互作用预测进行总结与展望。

演化蛙跳算法的药物-靶标相互作用预测

为建立一个高效的药物-靶标相互作用(DTI)预测分类模型,针对预测DTI的常用模型传统支持向量机在参数选择中存在的问题,采用演化蛙跳算法(EFLA)优化支持向量机参数。该算法在第一阶段用量子进化算子来实现局部搜索,第二阶段利用自适应特征向量进化算子实现全局搜索。实验结果表明:演化蛙跳算法在进行预测药物-靶标相互作用实验中有较高的准确率。

基于异质信息网络元路径的药物-靶标相互作用预测模型

提出一种融合元路径信息的图神经网络模型,用于预测药物-靶标相互作用(GMDTI)。首先根据8个数据集中的药物、靶标、疾病和副作用数据以及它们之间的8种作用关系,构建药物-靶标异质信息网络(HIN);然后定义两条元路径来捕获药物-靶标HIN中的不同子结构信息和不同节点间隐藏的语义信息,并应用图神经网络的方法聚合节点的一阶邻居信息和元路径中节点间的语义信息;最后利用端到端的学习方法完成DTIs预测。该方法同时考虑药物-靶标HIN的结构特性和元路径语义信息,有助于学习到更多潜在的药物-靶标作用关系。实验结果表明,GMDTI的预测准确率高于所有基线模型,AUC达到98.6%,AUPR达到94.5%。同时通过调整数据的稀疏度和降噪实验,证明GMDTI具备优于所有基线模型的鲁棒性。

基于距离编码-图神经网络的药物靶标作用关系预测

图神经网络方法在药物靶标相互作用的预测任务上效果较好,但在图数据上仍存在无法分辨相同结构拓扑图和图网络中节点特征表达能力受限的问题.本文提出一种基于距离编码-图神经网络(Distance Encoding-Graph Neural Network)的药物靶标作用关系预测方法DEDTI.DEDTI利用图网络中的结构信息对每个药物和靶标节点进行距离编码,使得具有相同拓扑结构的节点可以投影到不同区域,最终在识别网络拓扑结构方面的能力超过一阶WL测试.另外,距离编码使得节点在送入图神经网络训练之前就包含节点属性,而不只是单纯的one-hot编码,提升了图神经网络的性能.在实验数据集中,DEDTI方法的AUC和AUPR均优于其它基准方法.实验结果表明本方法增强了图神经网络在预测药物靶标相互作用方面的能力,并在常用的多个药物数据库上验证了DEDTI预测新药物靶标相互作用的效果.

基于混合特征预测药物-靶标相互作用的K近邻模型

针对核受体数据提取药物-靶标之间的混合特征,使用K近邻算法进行预测。对精确率、召回率、F1值等评价指标与其他算法进行了比较,验证模型的预测性能。

基于肿瘤蛋白-蛋白相互作用网络的药物靶标发现（英文）

基因组学的快速发展在我们面前呈现出了一幅肿瘤基因组的总构架,但目前最大的挑战之一是怎样将这些大量基因组信息转化成针对癌症病人基因变化的有效治疗方法.针对这一挑战,美国国家癌症研究所建立了"癌症靶标研发(CTD2)联盟".作为国家联盟的一员,埃默里大学CTD2中心着重于对癌症基因功能的研究,建立蛋白-蛋白相互作用网络,以助发现新的癌症治疗靶点.为了实现这个目标,笔者团队通过高通量筛选技术和高通量信息学方法的共同应用,快速检测癌症相关蛋白的分子互相作用,并构建了与肿瘤相关的蛋白-蛋白相互作用网络(OncoPPi).此网络将癌症基因与相应的功能蛋白相接,并可用于发现与肿瘤缺陷有关的作用机制、新药物靶标和新的治疗方法.这些数据已存入Emory CTD2中心的portal网站,供大家分享.Emory中心是CTD2联盟一个重要组成部分,联盟内提供实时的数据分享,合作紧密.通过共同努力,笔者团队以及CTD2联盟的目标是发展新的一代肿瘤信号通路干扰药物,实现基因组学基础上的精准治疗.

人工智能预测药物-靶标相互作用研究进展

药物-靶标相互作用(DTI)鉴定是药物研发中的关键步骤,可有效缩小候选药物分子的搜索范围。同时,DTI鉴定也是多重药理和药物重定位等研究的基础。然而,通过生物实验研究DTI耗时长、成本高且伴有一定的盲目性。随着信息科学的飞速进步,人工智能(AI)在药物研发领域得到广泛应用,成为研究DTI的有效策略。根据算法设计原理的不同,用于DTI预测的AI方法可分为基于相似性、基于特征、基于网络和基于深度学习4类。本文重点介绍该4类方法的构建思路,并讨论模型评价问题和负样本问题。AI在DTI预测工作中具有巨大的发展潜力,可为药物研发带来新的机遇。

基于一致性学习预测药物-靶标相互作用

提出了一种基于局部全局一致性(LLGC)学习的药物-靶标相互作用预测模型。该模型基于邻近结点及流形结构或聚类中的结点更有可能有相同标签这一结论,综合考虑靶标和药物数据的全局和局部特征,融合靶标的序列相似性和药物-靶标网络的拓扑结构信息,提出药物-靶标相互作用预测方法,挖掘来自标准数据集中的药物-靶标相互作用数据。为了分析局部全局一致性方法的性能,在酶、离子通道、GPCR与核受体4个数据集中对此方法与SBGI、KBMF2K、NetCBP和WNN-GIP进行了比较,实验结果表明,除了在核受体数据中LLGC的AUC值比NetCBP和WNN-GIP中的略低外,在其他3个数据中,LLGC的性能都优于其他方法。确定模型性能后,将其用于药物-靶标相互作用数据预测,给出了得分最高的5个药物-靶标相互作用数据,且得知标准数据集中已知的药物-靶标相互作用数据绝大部分出现在预测集的前20%中,91%以上出现在预测集的前50%中。这个结果表明,LLGC能有效预测药物与靶标之间的潜在关联。

方剂学:药物相互作用网络与细胞分子信号动态转导网络的药物作用靶标

在以往的药物设计中，常用针对单一分子靶点的高特异性和高活性化合物筛选的策略（Onegene，Oneprotein，Onedrug），但愈益增多的研究表明，对于像肿瘤、糖尿病、炎症、高脂血症、老午陛痴呆以及神经精神疾病这类设及到多基因、多蛋白质分子改变的疾病（例如，与人乳腺癌相关的突变基因就多达189个），这一策略的有效性正日益受到挑战。为此，近些年来，

基于符号网络的药物靶标相互作用关系预测

药物-靶标相互作用(DTI)预测在新药物研发中具有重要意义。大多数计算方法将其建模为二元预测问题,忽视了DTI的具体类型。考虑DTI的积极或消极作用,将有利于研究多种药物对共同靶标的综合作用机理。通过构建药物靶标符号网络,将DTI预测问题转化为药物与靶标异构网络的符号链路预测问题,并引入Logistic回归与随机游走构建学习系统。在两个数据集进行实验,其预测结果呈现出良好的指标,表明该思路的可行性。

人工智能预测药物-靶标相互作用研究进展

药物研发过程耗时长、成本高且伴随一定的盲目性。通常新药从研发到上市需要10~15年。通过建立人工智能技术与虚拟-实体筛选平台结合的原创药物发现体系,将药物分子设计、天然产物化学、药物化学、结构生物学、药物筛选与药理研究能力整合起来,加快原创药物发现的进程。通过计算机模拟手段进行分子对接、药物筛选、先导物的优化、定量构效关系和药效团模型等药物设计方法,揭示药物与受体靶标的作用机制,探索药物靶点的空间结构,最终目标是设计具有能选择性地与某一靶标结合的分子;并探测小分子与受体大分子靶点的作用机制,判断药物小分子与受体大分子结合的可能活性位点,提出改善药物的药效学和动力学性质的方案,根据已有的药物研发数据自动设计出上百万种与特定靶标相关的小分子化合物,并根据药效、选择性、ADME等其他条件对化合物进行筛选。经过多轮筛选,最终确定可用于进行临床研究的候选药物。人工智能的使用大大加速药物研发的过程,并对新药的有效性和安全性进行预测。

基于实体信息和图神经网络的药物相互作用关系抽取

药物相互作用是指药物与药物之间相互促进或抑制.针对现有的药物关系抽取方法利用外部背景知识和自然语言处理工具导致错误传播和积累的问题,以及现有大多数研究在数据预处理阶段对药物实体进行盲化,忽略了有助于识别关系类别的目标药物实体信息的问题.论文提出了基于预训练生物医学语言模型和词汇图神经网络的药物相互作用关系抽取模型,该模型通过预训练语言模型获得句子的原始特征表示,在基于数据集构建的词汇图上进行卷积操作获得与句子相关的全局特征信息表示,最后与药物目标实体对特征进行拼接从而构建药物相互作用关系提取任务的特征表示,在获得丰富的全局特征信息的同时避免了使用自然语言处理工具和外部背景知识,提升模型的准确率.论文的模型在DDIExtraction 2013数据集上的F;值达到了83.25%,优于目前最新方法2.35%.

病毒-宿主相互作用的系统生物学与宿主靶向抗病毒策略

以病毒蛋白为靶的抗病毒药物面临易产生耐药、抗病毒谱较窄等诸多问题,宿主分子靶向已经成目前抗病毒药物研究的重要策略,宿主靶标的辨识是宿主靶向药物设计的关键。病毒-宿主相互作用的系统生物学研究将成为抗病毒药物宿主靶标辨识和宿主-病毒联合靶向治疗策略设计提供有力工具。近年来通过蛋白质组学、大规模基因沉默、基因芯片等实验得到了大量的病毒感染相关宿主分子和病毒-宿主分子相互作用关系,为在病毒-宿主分子网络水平揭示病毒生存策略奠定了基础。整合病毒感染基因表达谱和人蛋白相互作用网络可以构建病毒感染激活网络,进而通过网络分析获得关键的宿主因子。正在发展的动态蛋白质组学和动态网络分析技术将为建立更加真实的病毒-宿主分子网络模型,进而辨识有效的宿主靶标提供有力工具。

基于交互式多特征融合算法的药物靶标预测

【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。