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。

ISSR标记技术及其在遗传多样性研究中的应用

ISSR(Inter SimpleSequenceRepeat)技术是在PCR中直接使用微卫星序列进行DNA扩增的一种DNA分子标记。文章主要介绍了ISSR标记的原理、方法、特点及其在遗传多样性研究中的应用。ISSR标记方法具有无需知道任何靶标序列的微卫星背景信息、遗传多态性高、检测快速等特点,在遗传多样性研究中具有广泛的应用前景。