抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】