基于多信息集成的药物靶标预测方法研究 谭凯.pdf

: .
广西师范大学 凯 1，李永杰 1，潘海明 1，黄可馨 2，邱 杰 3，陈庆锋 1*
(1. 广西大学 计算机与电子信息学院, 广西 南宁 530004; 2. 广西医科大学, 广西 南宁 530021；3. 玉
林师范学院 计算机科学与工程学院, 广西 玉林 537000)
摘 要：准确的药物-靶标相互作用预测在药物发现和重新定位中有重要作用。传统的方法要么费时（基于模拟的方
法），要么严重依赖领域的专业知识（基于相似性和基于特征的方法），而且现有的使用单一数据信息或稀疏数据的计
算方法普遍准确性不高。尽管多个异构网络整合已被广泛用于预测药物靶标，但如何尽可能多的保留网络结构信息
仍然是一个巨大的挑战。本文提出了一种新颖的框架 NGDTI，不仅从网络中提取相关的生物学特性和关联信息，而
且保留重要的网络拓扑信息。它利用了图神经网络更新提取的特征信息，所发现的药物和靶标的拓扑特征使药物-靶
标相互作用预测更加准确。与最新的基准方法相比，AUPR 值提高了近 ％。实验结果表明，NGDTI 在药物开发和
重新定位方面有良好的应用前景。
关键词：药物靶标预测；网络嵌入；网络集成；矩阵分解；图神经网络
中图分类号：TP18; R918 文献标志码：A
通过计算方法识别药物-靶标相互作用（drug-target interaction，DTI）可缩小用于后续生物实验
的候选药物的巨大搜索空间，从而显着降低开发新药的成本和时间。药物-靶标相互作用的计算预测
已成为药理学发展的重要组成部分，可以发现和解释当前的药物作用机理及其潜在的未知靶标活性
[1,3]。尽管传统的生物学实验可以有效地检测药物与靶标之间的相互作用，但它们通常需要消耗大量
时间和成本[4,5]，因此越来越多的计算方法被用来预测药物-靶标关系。随着各种药物、靶标和相互作
用数据的增长[6]，计算方法不仅可以为预测可能的药物靶标相互作用提供一种经济有效的替代方法，
而且可以确保进一步实验的可靠性。
当前的药物筛选辅助方法主要有基于分子对接[7]、配体相似性[8]和机器学习的方法[9]。基于分子
对接的方法需要靶蛋白的已知 3D 结构，而该方法受限于已知蛋白配体的复杂结构，因为这种结构
很少且通常不泛用。基于配体相似性的方法是利用已知配体相互作用的知识来进行预测，但是当目
标只有少量配体时，可能会导致较差的预测结果。基于机器学习的方法是目前最流行且最有效的预
测方法，这类方法可以充分探究药物的相关特征以及药物与靶标之间的潜在相关性。在机器学习领
域，有许多方法被用来预测药物靶标相互作用。近年来，研究人员提出了多种预测潜在 DTI 的计算
方法，大致可分为核方法、矩阵分解和多源信息集成。
Yamanishi 等[10]最先提出了基于化学和基因组信息的二分局部模型（BLM），使用核函数回归方
法来预测药物靶标。之后为了克服二分局部模型对高要求计算能力的局限性，Bleakley 等[11]开发了
二部图局部模型，这种模型在训练过程中使用局部训练而不是全局训练。Mei 等[12]进一步又改进了