基于一致性學(xué)習(xí)預(yù)測(cè)藥物-靶標(biāo)相互作用

（湖南工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，湖南 株洲 412007）

1 研究背景

藥物研發(fā)是現(xiàn)代社會(huì)中的一個(gè)重要課題[1]。通常情況下，新藥研發(fā)從確定思路到投入市場(chǎng)大約需要花費(fèi)12～15 a 的時(shí)間，成本約10 億美元，且成功率低于10%[2]。據(jù)統(tǒng)計(jì)，美國(guó)食品藥品監(jiān)督管理局（food and drug administration，F(xiàn)DA）每年批準(zhǔn)能作為新藥的分子大約只有20 種[3]。諾貝爾獎(jiǎng)獲得者James Black 認(rèn)為，從舊藥研發(fā)新藥可能是研發(fā)新藥的有效途徑[4]。

藥物重定位又稱“老藥新用”，是一種比較好的研發(fā)新藥方法，可節(jié)約研發(fā)時(shí)間，降低研發(fā)成本，減少研發(fā)失敗帶來的風(fēng)險(xiǎn)，因而受到越來越多的關(guān)注。藥物重定位是指發(fā)現(xiàn)現(xiàn)有藥物的新用途，其生物學(xué)基礎(chǔ)是一藥多靶和一靶多藥[5]。基于計(jì)算方法對(duì)藥物-靶標(biāo)相互作用進(jìn)行預(yù)測(cè)，以發(fā)現(xiàn)某個(gè)藥物的多個(gè)潛在靶標(biāo)或某個(gè)靶標(biāo)的多個(gè)藥物，從而實(shí)現(xiàn)對(duì)現(xiàn)有藥物的重定位，可以顯著減少后期過程（如臨床試驗(yàn)）的負(fù)荷，節(jié)省大量資源和時(shí)間。

藥物-靶標(biāo)相互作用預(yù)測(cè)方法可以分為基于網(wǎng)絡(luò)的方法和基于機(jī)器學(xué)習(xí)的方法。其中，基于網(wǎng)絡(luò)的方法把藥物-靶標(biāo)相互作用矩陣看成是一個(gè)網(wǎng)絡(luò)，基于網(wǎng)絡(luò)模型預(yù)測(cè)其潛在關(guān)聯(lián)。Y.Yamanishi 等[6]把藥物和靶標(biāo)整合成統(tǒng)一的“藥理空間”，提出一種二分圖學(xué)習(xí)模型，用于推測(cè)靶標(biāo)與藥物之間的相互作用；M.Campillos 等[7]在“不相關(guān)藥物的相似脫靶效應(yīng)可導(dǎo)致藥物的相似副作用”這一理論基礎(chǔ)上，根據(jù)一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)（unified medical language system，UMLS）術(shù)語(yǔ)對(duì)藥物的副作用進(jìn)行了分類，提出衡量藥物副作用相似性的方法，預(yù)測(cè)共享相同靶標(biāo)的藥物；K.Bleakley 等[8]基于藥物的化學(xué)結(jié)構(gòu)預(yù)測(cè)藥物的藥理相似性，然后利用局部二分圖模型預(yù)測(cè)未知的藥物-靶標(biāo)相互作用；M.G?nen[9]使用全概率模型進(jìn)行預(yù)測(cè)，把藥物和靶標(biāo)投影進(jìn)統(tǒng)一空間，在此基礎(chǔ)上整合貝葉斯模型，得到了KBMF2K（Kernelized Bayesian matrix factorization），再利用協(xié)方差計(jì)算中的變分近似進(jìn)行推斷。Cheng F.X.等[10]提出了3 種基于網(wǎng)絡(luò)的推斷方法，即基于靶標(biāo)相似性的推斷 方 法（target-based similarity inferrence，TBSI）、基于藥物相似性的推斷方法（drug-based similarity inferrence，DBSI）和基于網(wǎng)絡(luò)的推斷方法（networkbased inferrence，NBI），以預(yù)測(cè)可能的藥物-靶標(biāo)相互作用。

基于機(jī)器學(xué)習(xí)的方法提出機(jī)器學(xué)習(xí)相關(guān)模型，在確定模型性能后對(duì)藥物與靶標(biāo)之間潛在的關(guān)聯(lián)進(jìn)行預(yù)測(cè)。Y.Yamanishi等[11]基于藥物的理化性質(zhì)和藥物-靶標(biāo)相互作用網(wǎng)絡(luò)的拓?fù)湫再|(zhì)，提出了基于支持向量機(jī)的方法（supervised bipartite graph ingerrence，SBGI）挖掘可能的藥物-靶標(biāo)相互作用。S.Mizutani等[12]基于藥物-靶標(biāo)相互作用譜和副作用譜，定義稀疏典型相關(guān)分析進(jìn)行預(yù)測(cè)。L.Jacob 等[13]利用核函數(shù)和支持向量機(jī)（support vector machine，SVM），研究了藥物-靶標(biāo)的相互作用。Xia Z.等[14]提出了一種基于流形正則化的半監(jiān)督學(xué)習(xí)模型，以挖掘藥物與靶標(biāo)之間的潛在關(guān)聯(lián)。T.Van Laarhoven 等[15]首先使用藥物核函數(shù)和靶標(biāo)核函數(shù)對(duì)相互作用數(shù)據(jù)進(jìn)行稀疏化，然后定義藥物相互作用譜和靶標(biāo)相互作用譜，根據(jù)這些相互作用譜向量定義高斯核函數(shù)，并把高斯相互作用譜核與藥物核和靶標(biāo)核結(jié)合起來，利用正則化最小二乘法尋找能作用于已知靶標(biāo)的新藥。Chen H.L.等[16]根據(jù)與靶標(biāo)的相關(guān)性對(duì)藥物進(jìn)行排序打分，提出采用網(wǎng)絡(luò)一致性方法（network consistency-based prediction method，NetCBP）， 推測(cè)藥物-靶標(biāo)的相互作用。T.VAN Laarhoven 等[17]首先定義了藥物和靶標(biāo)的相似性核，然后在正則化最小二乘法的基礎(chǔ)上提出帶權(quán)最近鄰方法（weighted nearest neighbor-gaussian interaction profile，WNNGIP）。M.A.Heiskanen 等[18]對(duì)目前的預(yù)測(cè)方法進(jìn)行了評(píng)估，發(fā)現(xiàn)基于排序的打分方法效果較好。Wang L.等[19]利用深度學(xué)習(xí)中的堆疊自動(dòng)編碼器，充分提取藥物分子的化學(xué)子結(jié)構(gòu)和靶標(biāo)的蛋白序列特征，以識(shí)別藥物-靶標(biāo)相互作用半監(jiān)督學(xué)習(xí)模型，有效識(shí)別了藥物-靶標(biāo)相互作用數(shù)據(jù)。機(jī)器學(xué)習(xí)方法有效預(yù)測(cè)了藥物與靶標(biāo)之間存在的關(guān)聯(lián)，然而，由于缺少負(fù)樣本數(shù)據(jù)，使得監(jiān)督學(xué)習(xí)方法預(yù)測(cè)效果不夠理想，而且大部分有監(jiān)督預(yù)測(cè)方法的時(shí)間復(fù)雜度較高[13]；同時(shí)，這些方法都嚴(yán)重依賴于藥物的化學(xué)結(jié)構(gòu)相似性和靶標(biāo)的序列相似性[19-24]。

為了緩解這個(gè)問題，本文基于局部全局一致性學(xué)習(xí)方法（learning with local and global consistency，LLGC）[25]，綜合考慮靶標(biāo)蛋白的序列特征和藥物-靶標(biāo)相互作用網(wǎng)絡(luò)的拓?fù)湫再|(zhì)，提出藥物-靶標(biāo)相互作用挖掘方法的LLGC，通過分析比較，發(fā)現(xiàn)所提LLGC 方法獲得了較好的預(yù)測(cè)性能。

2 數(shù)據(jù)和模型

2.1 數(shù)據(jù)

本文使用的數(shù)據(jù)由Y.Yamanishi 等[6]提供，可從http://web.kuicr.kyoto-u.ac.jp/supp/yoshi/drugtarget/下載，具體包括藥物相似性矩陣、靶標(biāo)蛋白相似性矩陣及藥物-靶標(biāo)相互作用矩陣。通過KEGG GENES數(shù)據(jù)庫(kù)[26]提取靶標(biāo)的序列信息，基于正則化打分函數(shù)以度量其序列相似性：對(duì)于兩個(gè)靶標(biāo)t1與t2，假設(shè)SW(t1,t2)表示其Smith-Waterman 分值，則其序列相似性可用以下公式計(jì)算：

從而得到靶標(biāo)之間的相似性矩陣Ssp。

Y.Yamanishi 等[6]分析DrugBank[27]、KEGG[28]和SuperTarget[29]等數(shù)據(jù)庫(kù)發(fā)現(xiàn)，已知藥物靶標(biāo)的人類核受體、G 蛋白偶聯(lián)受體（GPCRs）、離子通道和酶的數(shù)量分別是54,223,210,445 個(gè)，相對(duì)應(yīng)的靶標(biāo)蛋白分別為26,95,204,664 個(gè)，它們已知的相互作用數(shù)分別為90,635,1 476,2 926[6,10,13-18]，詳細(xì)情況如表1所示。在本實(shí)驗(yàn)中，使用Y.Yamanishi 等[6]提供的數(shù)據(jù)作為標(biāo)準(zhǔn)數(shù)據(jù)集，以評(píng)估模型的優(yōu)劣。

表1 藥物-靶標(biāo)相互作用數(shù)據(jù)集Table 1 Drug-target interaction data set

2.2 模型

給定n個(gè)靶標(biāo)和m個(gè)藥物，若靶標(biāo)i靶向藥物j，則yij=1，否則yij=0，用矩陣Y=[y1,y2,…,yn]T表示靶標(biāo)靶向藥物的情況，即藥物-靶標(biāo)相互作用網(wǎng)絡(luò)。如果多個(gè)靶標(biāo)蛋白與藥物相互作用，則靶標(biāo)相似性程度可以由其共享藥物數(shù)量來度量。因此，可以基于藥物-靶標(biāo)相互作用網(wǎng)絡(luò)中靶標(biāo)共享藥物數(shù)，來度量其相似性：

綜合序列相似性和藥物-靶標(biāo)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)相似性，可計(jì)算如下靶標(biāo)相似性矩陣：

式（1）（2）中：Snp為網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相似性矩陣；Ssp為序列相似性矩陣；參數(shù)μ用于衡量?jī)烧唛g的重要程度，且

對(duì)Sp′進(jìn)行歸一化后得到：

用F∈{0,1}n×m表示預(yù)測(cè)到的藥物-靶標(biāo)相互作用矩陣。fij∈{0,1}表示經(jīng)過學(xué)習(xí)后，模型預(yù)測(cè)到的靶標(biāo)i與藥物j的關(guān)聯(lián)情況，若值為1，表示靶標(biāo)i靶向藥物j，否則靶標(biāo)i與藥物j沒有關(guān)聯(lián)。如果藥物i與藥物j非常相似，且靶標(biāo)靶向藥物i，則此靶標(biāo)更有可能靶向藥物j，F(xiàn)=[f1,f2,…,fn]T。

LLGC 學(xué)習(xí)認(rèn)為：鄰近的結(jié)點(diǎn)更有可能有相同的標(biāo)簽，這是數(shù)據(jù)的局部性問題；在流形結(jié)構(gòu)或聚類中的結(jié)點(diǎn)更有可能具有相同的標(biāo)簽，這是數(shù)據(jù)的全局性問題。為探究新的藥物-靶標(biāo)相互作用，綜合考慮靶標(biāo)和藥物數(shù)據(jù)的全局和局部特征，提出一致性藥物-靶標(biāo)相互作用預(yù)測(cè)算法LLGC，把已知的藥物-靶標(biāo)相互作用信息傳播至其鄰接點(diǎn)結(jié)點(diǎn)，從而獲得新的藥物-靶標(biāo)相互作用。

算法1用迭代法挖掘藥物-靶標(biāo)相互作用

輸入：靶標(biāo)序列相似性矩陣，藥物-靶標(biāo)相互作用網(wǎng)絡(luò)。

輸出：新的藥物-靶標(biāo)相互作用矩陣F*。

Step 1 由公式（1）～（3）獲得靶標(biāo)相似性矩陣Sp，并令，以避免在標(biāo)簽學(xué)習(xí)過程中對(duì)結(jié)點(diǎn)進(jìn)行了自增強(qiáng)處理。

Step 2 對(duì)靶標(biāo)相似性矩陣進(jìn)行正則化，得到拉普拉斯矩陣L=D-Sp，其中D是對(duì)角矩陣，第i個(gè)對(duì)角元素值為。

Step 3 對(duì)F(t+1)=αLF(t)+(1-α)Y迭代求解，直至收斂。α為介于0 和1 之間的參數(shù)。

Step 4 假設(shè)F*表示解集{F(t)}的權(quán)限，則F*為所求問題的解。

Step 5 輸出預(yù)測(cè)的藥物-靶標(biāo)關(guān)聯(lián)網(wǎng)絡(luò)，預(yù)測(cè)藥物-靶標(biāo)相互作用。

考慮算法1 中第t步的迭代模型的收斂性。模型第一部分接收來處鄰接點(diǎn)的標(biāo)簽信息，第二部分用于保存初始標(biāo)簽信息。L=D-Sp，參數(shù)α∈(0,1)，用于平衡來自鄰接點(diǎn)的標(biāo)簽信息和初始標(biāo)簽信息之間的重要程度。

由公式（4）得

由0＜α＜1，L與矩陣相似，因而L的特征值在[-1,1]。從而

假設(shè)F(t)收斂于F*，對(duì)于藥物-靶標(biāo)相互作用預(yù)測(cè)問題，可以對(duì)其求極限，F(xiàn)*=limF(t)，綜合公式（5）～（7），可得：

其中：I為n×n的單位矩陣；

不失一般性，公式（8）等價(jià)于下式：

根據(jù)公式（10），無需迭代，可直接計(jì)算出藥物-靶標(biāo)相互作用矩陣為

若用MT代替L，則可得到如下公式（11）的另一種形式：

結(jié)合M的定義，可得到另一藥物-靶標(biāo)相互作用矩陣：

綜合公式（11）和（13），可得到如下發(fā)現(xiàn)藥物-靶標(biāo)相互作用的模型

從而在算法1 的基礎(chǔ)上進(jìn)行改進(jìn)，得到算法2。

算法2基于LLGC 發(fā)現(xiàn)藥物-靶標(biāo)相互作用

輸入：靶標(biāo)序列相似性矩陣，藥物-靶標(biāo)相互作用網(wǎng)絡(luò)。

輸出：藥物-靶標(biāo)相互作用矩陣。

Step 1 根據(jù)公式（1）～（3），計(jì)算靶標(biāo)相似性矩陣Sp，并令，以避免在標(biāo)簽學(xué)習(xí)過程中對(duì)結(jié)點(diǎn)進(jìn)行了自增強(qiáng)處理。

Step 2 對(duì)靶標(biāo)相似性矩陣進(jìn)行正則化，得到拉普拉斯矩陣L=D-Sp，其中D是對(duì)角矩陣，第i個(gè)對(duì)角元素值為。

Step 3 根據(jù)Step 2 的計(jì)算結(jié)果求解和。

Step 4 根據(jù)公式（14）得到靶標(biāo)的標(biāo)簽矩陣。

Step 5 輸出藥物-靶標(biāo)相互作用矩陣。

3 實(shí)驗(yàn)結(jié)果和討論

實(shí)驗(yàn)中，把藥物-靶標(biāo)相互作用數(shù)據(jù)以隨機(jī)形式分成大小相等的5 份，依次選擇1 份用作測(cè)試集，剩下的4 份用作訓(xùn)練集，實(shí)驗(yàn)重復(fù)20 次，取20 次實(shí)驗(yàn)的平均值作為最終結(jié)果。參數(shù)α取值0.9。

3.1 與其他方法分析比較

把預(yù)測(cè)方法LLGC 與SBGI、KBMF2K、NetCBP和WNN-GIP 進(jìn)行分析比較，所得結(jié)果如表2所示。

表2 各方法的預(yù)測(cè)結(jié)果匯總表Table 2 Prediction performance of different DTI prediction methods

分析表2所示預(yù)測(cè)結(jié)果可以得知，LLGC 方法基于AUC（area under curve）的性能要好于SBGI 和KBMF2K 方法的。與SBGI 方法相比，4 個(gè)數(shù)據(jù)集中AUC 值分別提高了6.70%,17.49%,8.88%,1.60%；與KBMF2K 方法相比，4 個(gè)數(shù)據(jù)集中AUC 值分別提高了5.29%,1.75%,3.03%,0.36%；與WNN-GIP 和NetCBP 相比，除在核受體中AUC 值比WNN-GIP和NetCBP 稍低（低1.43%）之外，在AUC 上均好于其他4 種方法或與其他方法基本持平。

3.2 預(yù)測(cè)藥物-靶標(biāo)相互作用

課題組基于一致性學(xué)習(xí)，考慮靶標(biāo)相似性和藥物-靶標(biāo)相互作用網(wǎng)絡(luò)的拓?fù)湫再|(zhì)，提出一種靶標(biāo)相似性度量方法。在此基礎(chǔ)上，考慮藥物和靶標(biāo)數(shù)據(jù)的全局一致性和局部一致性特征，提出LLGC 方法尋找藥物-靶標(biāo)相互作用。LLGC 方法將對(duì)每個(gè)藥物與靶標(biāo)之間的關(guān)系進(jìn)行打分，并且根據(jù)得分對(duì)每一個(gè)藥物-靶標(biāo)對(duì)進(jìn)行排序，從而預(yù)測(cè)藥物-靶標(biāo)的相互作用；然后，在DrugBank 數(shù)據(jù)庫(kù)[27]、KEGG 數(shù)據(jù)庫(kù)[28]和SuperTarget[29]數(shù)據(jù)庫(kù)中，對(duì)預(yù)測(cè)到的藥物-靶標(biāo)相互作用進(jìn)行分析驗(yàn)證。

表3～6 分別列出了核受體中、GPCRs 中、離子通道中和酶中預(yù)測(cè)到的分值最高的5 個(gè)藥物-靶標(biāo)相互作用對(duì)。

表3 核受體中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)Table 3 Predicted top 5 drug-target interaction pairs in nuclear receptor

表3所示為核受體中預(yù)測(cè)到的排序前5 位的藥物-靶標(biāo)相互作用對(duì)，以靶標(biāo)hsa2099 為例，預(yù)測(cè)到核受體中，靶標(biāo)hsa2099 靶向藥物D00182。在UniProt 數(shù)據(jù)庫(kù)[30]中，靶標(biāo)hsa2099 為核激素受體，調(diào)節(jié)真核細(xì)胞的基因表達(dá)，影響細(xì)胞的繁殖和目標(biāo)組織的分化，調(diào)節(jié)涉及各種激酶的雌激素的信號(hào)傳導(dǎo)。在SuperTarget、DrugBank 和KEGG 數(shù)據(jù)庫(kù)中，檢索到hsa2099 靶向藥物D00066、D00067、D00105和D00554，其中D00066 是主要的孕激素類固醇，主要由黃體和胎盤分泌。孕激素作用于子宮、乳腺和大腦，有助于胚胎移植、妊娠維護(hù)和乳腺組織的發(fā)展。D00067 是哺乳動(dòng)物的主要雌激素，雌激素酮是一種類固醇，主要產(chǎn)生于卵巢、胎盤和外圍組織。D00105 是哺乳動(dòng)物雌激素類固醇的一種形式，主要由卵巢和胎盤產(chǎn)生，可以合成各種同分異構(gòu)體。D00554 也是一種具有較高的雌激素效能的口服藥物。而D00182 可以合成孕激素，可用于治療月經(jīng)不調(diào)與子宮內(nèi)膜異位等疾病。這說明靶標(biāo)hsa2099 靶向藥物D00182 有一定的根據(jù)。

運(yùn)用LLGC 方法對(duì)核受體中的標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)在90 個(gè)已知的藥物-靶標(biāo)相互作用 對(duì)中，有48 個(gè)藥物-靶標(biāo)相互作用對(duì)出現(xiàn)在預(yù)測(cè)集的前5%中，約占所有已知數(shù)據(jù)對(duì)的53.33%；69 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前10%中，約占所有已知數(shù)據(jù)對(duì)的76.67%；75 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前20%中，約占所有已知數(shù)據(jù)對(duì)的83.33%；所有90 個(gè)已知藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前50%中。

表4 GPCRs 中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)Table 4 Predicted top 5 drug-target interaction pairs in GPCRs

表4為GPCRs 中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)，同時(shí)在運(yùn)用LLGC 方法對(duì)GPCRs 中的標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)測(cè)過程中，發(fā)現(xiàn)在223 個(gè)已知藥物-靶標(biāo)相互作用對(duì)中，有93 個(gè)藥物-靶標(biāo)相互作用對(duì)出現(xiàn)在預(yù)測(cè)集的前5%中，約占所有已知數(shù)據(jù)對(duì)的41.70%；153 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前10%中，約占所有已知數(shù)據(jù)對(duì)的68.61%；172個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前20%中，約占所有已知數(shù)據(jù)對(duì)的77.13%；203 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集中的前50%，約占所有已知數(shù)據(jù)對(duì)的91.03%。

表5 離子通道中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)Table 5 Predicted top 5 drug-target interaction pairs in ion channel

表5為離子通道中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)，同時(shí)在運(yùn)用LLGC 方法對(duì)離子通道中的標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)測(cè)過程中，發(fā)現(xiàn)在1 476 個(gè)已知藥物-靶標(biāo)相互作用對(duì)中，有514 個(gè)藥物-靶標(biāo)相互作用對(duì)出現(xiàn)在預(yù)測(cè)集的前5%中，約占所有已知數(shù)據(jù)對(duì)的34.82%；826 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前10% 中，約占所有已知數(shù)據(jù)對(duì)的55.96%；1 059 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前20%中，約占所有已知數(shù)據(jù)對(duì)的71.75%；1 344個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前50%中，約占所有已知數(shù)據(jù)對(duì)的91.06%。

表6 酶中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)Table 6 Predicted top 5 drug-target interaction pairs in enzyme

表6給出了酶中預(yù)測(cè)到的排序前5 的藥物-靶標(biāo)相互作用對(duì)，同時(shí)在運(yùn)用LLGC 方法對(duì)酶中的標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)測(cè)過程中，發(fā)現(xiàn)在2 926 個(gè)已知藥物-靶標(biāo)相互作用對(duì)中，有1 624 個(gè)藥物-靶標(biāo)相互作用對(duì)出現(xiàn)在預(yù)測(cè)集的前5%中，約占所有已知數(shù)據(jù)對(duì)的55.50%；有2 117 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前10%中，約占所有已知數(shù)據(jù)對(duì)的72.35%；2 489個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前20%中，約占所有已知數(shù)據(jù)對(duì)的85.06%；2 926 個(gè)藥物-靶標(biāo)相互作用對(duì)在預(yù)測(cè)集的前50%中，即所有已知藥物-靶標(biāo)相互作用對(duì)都出現(xiàn)在預(yù)測(cè)集的前50%中。

4 結(jié)語(yǔ)

藥物-靶標(biāo)相互作用預(yù)測(cè)是現(xiàn)代藥物研發(fā)中的一個(gè)重要課題?；跐駥?shí)驗(yàn)挖掘藥物與靶標(biāo)之間的相互作用耗時(shí)耗力，故需要開發(fā)相應(yīng)的計(jì)算方法以發(fā)現(xiàn)這種潛在關(guān)聯(lián)。因而本文基于一致性學(xué)習(xí)，融合靶標(biāo)序列相似性和藥物-靶標(biāo)相互作用網(wǎng)絡(luò)的拓?fù)湫再|(zhì)，考慮數(shù)據(jù)的局部特性和全局特性，提出一致性藥物-靶標(biāo)相互作用預(yù)測(cè)方法LLGC，以預(yù)測(cè)來自人類核受體、GPCRs、離子通道和酶中的藥物-靶標(biāo)相互作用。與其他方法相比，LLGC 在AUC 上優(yōu)于其他方法或與其他方法持平。同時(shí)，標(biāo)準(zhǔn)數(shù)據(jù)集中絕大部分已知的藥物-靶標(biāo)相互作用預(yù)測(cè)出現(xiàn)在預(yù)測(cè)集的前20%中，91%以上出現(xiàn)在預(yù)測(cè)集的前50%中。今后，課題組將結(jié)合深度學(xué)習(xí)相關(guān)模型和各種生物特征，以改進(jìn)藥物-靶標(biāo)相互作用的預(yù)測(cè)性能。