ランダムウォークと行列因子分解による多重類似性薬物-標的相互作用予測【JST・京大機械翻訳】

Liu Bin; Papadopoulos Dimitrios; Malliaros Fragkiskos D.; Tsoumakas Grigorios; Papadopoulos Apostolos N.

プレプリント

J-GLOBAL ID：202202201392593640 整理番号：22P0278668

ランダムウォークと行列因子分解による多重類似性薬物-標的相互作用予測【JST・京大機械翻訳】

Multiple Similarity Drug-Target Interaction Prediction with Random Walks and Matrix Factorization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月24日プレプリントサーバーでの情報更新日： 2022年08月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

薬物標的相互作用(DTIs)の発見は非常に有望な研究分野である。多様なデータ源から検索された不均一情報を典型的に利用する計算手法による薬剤と蛋白質間の信頼できる相互作用の正確な同定は,効果的な医薬品の開発を高めることができる。ランダムウォークとマトリックス因数分解技法はDTI予測に広く用いられているが,それらはいくつかの制限がある。ランダムウォークベース埋込み生成は通常教師なし方式で行われるが,行列因数分解における線形類似性組合せは,異なるビューにより提供される個々の洞察を歪める。これらの問題に取り組むために,多様な薬物とターゲットの類似性を取り扱うために多層ネットワークアプローチを取り上げ,DTI予測のために,多重類似性DeepWalkベース行列因子分解(MDMF)と呼ばれる新しい最適化フレームワークを提案した。フレームワークは,埋込み生成と相互作用予測を統一し,薬物と標的のベクトル表現を学習し,すべてのハイパー層と層特異的局所不変性に高次近接性を保持するだけでなく,それらの内積との相互作用を近似する。さらに,MDMFモデルの2つのインスタンス化を統合するアンサンブル法(MDMF2A)を開発し,精度-再帰曲線(AUPR)下の面積と受信者動作特性曲線(AUC)下の面積を最適化した。実世界DTIデータセットに関する経験的研究は,著者らの方法が4つの異なる設定において現在の最先端のアプローチに対して統計的に有意な改善を達成することを示した。さらに,高度にランクされた非相互作用ペアの検証は,新しいDTIsを発見するためのMDMF2Aの可能性を示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

分子・遺伝情報処理

, , , , , , , ,

前のページに戻る