基于图卷积和图嵌入的药物-靶标反应识别方法

)其中，Precisioni和

Recall在处理类别不平衡的数据集时特别有用，因为它能够更好地反映模型在少数类上的性能。在许多实际应用中，例如疾病诊断、欺诈检测和药物-靶标相互作用预测，正类（例如疾病阳性、欺诈行为、有效的药物-靶标对）往往远少于负类。在这种情况下，AUPR比AUROC更能准确地评估模型的性能，因为它考虑了正类样本的相对重要性。实验结果我们的比较结果显示，DPPM的表现一直优于其他现有方法，大概是因为HNM只使用原始扩散状态进行预测，这并不完全准确，而DTINet对扩散状态应用了一种新的维度还原，因此能够捕获异构网络的潜在结构属性。表SEQ表\*ARABIC2方法比较结果表AUROCAUPRBLMNII0.540.68HNM0.70.73DPPM0.830.88由表2可知，与BLMNII[3]相比，DPPM实现了高29%的AUROC和高20%AUPR。与HNM[17]相比，DPPM实现了高13%的AUROC和高15%AUPR。图SEQ图\*ARABIC6模型预测效果比较图该图将BLMNII，HNM和DPPM进行比较，结果显示DPPM的预测的效果优于其余两种方法。最初收集的数据集可能包含同源蛋白质或类似药物，这引起了潜在的担忧，即预测方法的良好性能可能来自简单的预测。为了解决这个问题，我们进行了以下额外测试：去除涉及同源蛋白的DTI（序列身份评分>40%）；去除含有类似药物的DTI（Tanimoto系数>60%）；去除具有类似副作用的药物的DTIs（Jaccard相似性评分>60%）；用与类似疾病相关的药物或蛋白质去除DTIs（Jaccard相似性评分>60%）；在上述测试中，去除操作可以进一步减少DTI的潜在冗余，上述设置下的测试结果表明，DPPM在训练数据中对去除同源蛋白质或类似药物具有很强的作用，并且仍然始终优于其他方法。这些结果表明，即使没有类似的药物或目标，DPPM仍然有有效的作用并优于其他预测方法。AUROCAUPRBLMNII0.60.64HNM0.680.74DPPM0.780.83AUROCAUPRBLMNII0.650.66HNM0.740.81DPPM0.820.86表SEQ表\*ARABIC3去除涉及同源蛋白的DTI表SEQ表\*ARABIC4去除含有类似药物的DTIAUROCAUPRBLMNII0.670.72HNM0.750.8DPPM0.840.86表SEQ表\*ARABIC5去除具有类似副作用的药物的DTIs表SEQ表\*ARABIC6用与类似疾病相关的药物或蛋白质去除DTIsAUROCAUPRBLMNII0.660.68HNM0.730.8DPPM0.810.87由表3可知，DPPM与BLMNII相比，DPPM实现了高18%的AUROC和高19%AUPR。DPPM与HNM相比，DPPM实现了高10%的AUROC和高9%AUPR。由表4可知，DPPM与BLMNII相比，DPPM实现了高17%的AUROC和高20%AUPR。DPPM与HNM相比，DPPM实现了高8%的AUROC和高5%AUPR。由表5可知，DPPM与BLMNII相比，DPPM实现了高15%的AUROC和高19%AUPR。DPPM与HNM相比，DPPM实现了高8%的AUROC和高7%AUPR。由表6可知，DPPM与BLMNII相比，DPPM实现了高17%的AUROC和高14%AUPR。DPPM与HNM相比，DPPM实现了高9%的AUROC和高6%AUPR。消融实验在DPPM中用随机游走替代图卷积神经网络后进行对比，用平均池化替代图注意力机制后进行对比。对比结果如下。表SEQ表\*ARABIC7消融实验结果图AUROCAUPRDPPM*0.680.71DPPM**0.70.73DPPM0.830.88由表7可以得到DPPM与DPPM*（随机游走）相比，DPPM实现了高15%的AUROC和高17%AUPR。DPPM与DPPM**（平均池化）相比，DPPM实现了高13%的AUROC和高15%AUPR。图SEQ图\*ARABIC7消融结果对比图由图7结果表明无论是采用图卷积神经网络和图注意力机制都可以提升预测性能。关系发现关系发现是指在大量数据中发现新的关系或模式的过程。这种发现可以是定性的，也可以是定量的，并且通常涉及到对数据的深入分析。在不同的领域和应用中，关系发现具有不同的形式和目的。本文还使用整个异构网络（其中药物和目标至少有一个已知的相互作用对）预测了新的DTI作为训练数据，并输出了顶级预测列表。我们从训练数据中的同源蛋白质中排除了那些目标序列身份得分高于40%的简单预测。在前150个预测列表中，本文发现其中许多预测也可以得到文献中先前已知的实验或临床证据的支持。图SEQ图\*ARABIC8关系图方块代表药物，圆点代表不同的靶向。从图中可以看出Nitrazepam、Estazolam、Chlordiazepoxide这三类药物都与GLRA2有联系，而这三类药物同样也与GABRG3、GABRB3、GABRG1等12类靶标有联系。而Clozapine与Thioridazine有关，它们同样也存在相同的靶标联系。总结与展望5.1研究结论药物-靶标预测的现状在近年来发生了显著的变化。传统的药物研发依赖于对物理科学和生物科学的理解和经验，这导致了药物研发周期和成本的迅速膨胀。然而，计算机技术的发展为药物研发带来了颠覆性的变化，使得药物发现从传统的定制工艺转变为一种更精简、可重复、数据驱动的过程。这主要得益于计算机技术在药物靶点发现、化合物筛选和成药性预测等方面的应用，从而大大提高了药物研发的效率。本文研究了基于异构网络的药物-靶标相互作用预测方法，提出了一种名为DPPM的新模型。DPPM利用图卷积神经网络学习异构网络中药物、靶标和疾病节点之间的关系特征，并通过图注意力机制进行信息融合。实验结果显示，DPPM模型的预测准确率明显高于其他模型，并且在去除同源蛋白或类似药物后仍然保持较高的准确率。该研究表明，DPPM模型可以有效利用异构网络信息，为药物-靶标相互作用预测提供了新的思路。未来的研究方向包括进一步提高模型的可解释性以及拓展模型的应用场景。

参考文献WangC,KurganL.Surveyofsimilarity-basedpredictionofdrug-proteininteractions[J].Currentmedicinalchemistry,2020,27(35):5856-5886.Bleakley,K.&Yamanishi,Y.Supervisedpredictionofdrug–targetinteractionsusingbipartitelocalmodels.

Bioinformatics

25:2397–2403(2009).Mei,J.-P.,Kwoh,C.-K.,Yang,P.,Li,X.-L.&Zheng,J.Drug–targetinteractionpredictionbylearningfromlocalinformationandneighbors.

Bioinformatics29:238–245(2013).PerlmanL,GottliebA,AtiasN,etal.Combiningdrugandgenesimilaritymeasuresfordrug-targetelucidation[J].Journalofcomputationalbiology,2011,18(2):133-145.KastrinA,FerkP,LeskošekB.Predictingpotentialdrug-druginteractionsontopologicalandsemanticsimilarityfeaturesusingstatisticallearning[J].PloSone,2018,13(5):e0196865.MohamedSK,NováčekV,NounuA.Discoveringproteindrugtargetsusingknowledgegraphembeddings[J].Bioinformatics,2020,36(2):603-610.OlayanRS,AshoorH,BajicVB.DDR:efficientcomputationalmethodtopredictdrug–targetinteractionsusinggraphminingandmachinelearningapproaches[J].Bioinformatics,2018,34(7):1164-1173.FuG,DingY,SealA,etal.Predictingdrugtargetinteractionsusingmeta-path-basedsemanticnetworkanalysis[J].BMCbioinformatics,2016,17:1-10.WangW,YangS,ZhangX,etal.Drugrepositioningbyintegratingtargetinformationthroughaheterogeneousnetworkmodel[J].Bioinformatics,2014,30(20):2923-2930.邓杰进.基于图神经网络的药物靶标相互作用预测方法[D].大连海事大学,2023.10.26989/ki.gdlhu.2023.000319.XieG,LiJ,GuG,etal.BGMSDDA:abipartitegraphdiffusionalgorithmwithmultiplesimilarityintegrationfordrug–diseaseassociationprediction[J].MolecularOmics,2021,17(6):997-1011.KimHU,RyuJY,LeeSY.DeepDDIforunderstandingpharmacologicaleffectsofnaturalproducts[C]//NaturalProducts-Discovery,BiosynthesisandApplication,CopenhagenBioscienceConferences.NovoNordiskFoundation,2019.HuangK,XiaoC,GlassLM,etal.SkipGNN:predictingmolecularinteractionswithskip-graphnetworks[J].Scientificreports,2020,10(1):21092.KishanKC,LiR,CuiF,etal.Predictingbiomedicalinteractionswithhigher-ordergraphconvolutionalnetworks.arXiv[J].arXivpreprintarXiv:2010.08516,2020.WangW,ZhouT,YuF,etal.Exploringcross-imagepixelcontrastforsemanticsegmentation[C]//ProceedingsoftheIEEE/CVFinternationalconferenceoncomputervision.2021:7303-7313.WangX,LiuN,HanH,etal.Self-supervisedheterogeneousgraphneuralnetworkwithco-contrastivelearni