[論文レビュー] FRnet-DTI: Deep Convolutional Neural Networks with Evolutionary and Structural Features for Drug-Target Interaction

Farshid Rayhan, Sajid Ahmed+3 more|arXiv (Cornell University)|Jun 19, 2018

Computational Drug Discovery Methods参考文献 54被引用数 14

ひとこと要約

FRnet-DTI は、進化的および構造的特徴を組み合わせた2段階の深層学習フレームワークを提案し、薬物-標的相互作用を予測する。4つのゴールドスタンダードデータセットにおいて最先端の性能を達成し、特に不均衡なデータ設定において優れた性能を示し、20個の新しい潜在的薬物-標的ペアを同定した。

ABSTRACT

The task of drug-target interaction prediction holds significant importance in pharmacology and therapeutic drug design. In this paper, we present FRnet-DTI, an auto encoder and a convolutional classifier for feature manipulation and drug target interaction prediction. Two convolutional neural neworks are proposed where one model is used for feature manipulation and the other one for classification. Using the first method FRnet-1, we generate 4096 features for each of the instances in each of the datasets and use the second method, FRnet-2, to identify interaction probability employing those features. We have tested our method on four gold standard datasets exhaustively used by other researchers. Experimental results shows that our method significantly improves over the state-of-the-art method on three of the four drug-target interaction gold standard datasets on both area under curve for Receiver Operating Characteristic(auROC) and area under Precision Recall curve(auPR) metric. We also introduce twenty new potential drug-target pairs for interaction based on high prediction scores. Codes Available: https: // github. com/ farshidrayhanuiu/ FRnet-DTI/ Web Implementation: http: // farshidrayhan. pythonanywhere. com/ FRnet-DTI/

研究の動機と目的

• 不均衡な薬物-標的相互作用データセットの課題に対処するため、情報豊富な特徴工学を活用した深層学習を採用する。
• PSSM からの進化的特徴と SPIDER3 からの構造的特徴を薬物および標的に統合することで、予測精度を向上させる。
• 既存の教師あり手法を上回る、堅牢でエンドツーエンドの深層学習パイプラインを構築する。
• 実験的検証のための新しい高信頼性の薬物-標的相互作用候補を同定する。
• 特に極めて不均衡なデータ環境下でも、auROC および auPR スコアにおいて提案手法の優位性を示す。

提案手法

• FRnet-1 は、畳み込み層を用いて薬物および標的入力からの 4096次元の特徴表現を抽出する深層オートエンコーダである。
• FRnet-1 の入力は、[X, 211, 7, 1] または [X, 7, 211, 1] の形状を持つ 4次元テンソルであり、配列および進化的プロファイルデータを表す。
• FRnet-2 は、FRnet-1 からの 4096次元特徴を入力とする2ストリームの1次元畳み込みニューラルネットワーク分類器である。
• モデルは ReLU 活性化関数、バッチ正則化、および最終的なソフトマックス層の前のグローバル平均プーリングを用い、2値分類を実行する。
• 特徴工学には、位置特異的スコア行列（PSSM）による進化的情報と、SPIDER3 からの二次構造予測が含まれる。
• フレームワークはクロスエントロピー損失を用いてエンドツーエンドで訓練され、Adam 最適化アルゴリズムで最適化され、異なるテンソル順序での入力形状の耐性も検証された。

Figure 1 : Architecture of FRnet-1

実験結果

リサーチクエスチョン

• RQ1 オートエンコーダと畳み込み分類器を組み合わせた2段階の深層学習フレームワークは、既存の最先端手法を上回る薬物-標的相互作用予測を実現できるか？
• RQ2 PSSM による進化的特徴と SPIDER3 による構造的特徴の統合は、不均衡なデータセットにおけるモデル性能の向上にどの程度効果的か？
• RQ3 FRnet-DTI は、特に極めて不均衡な薬物-標的相互作用データセットにおいて、auROC および auPR スコアの両方で優れた性能を達成するか？
• RQ4 モデルは、既存のゴールドスタンダードデータセットにない新しい高信頼性の薬物-標的相互作用ペアを同定できるか？
• RQ5 特徴表現段階における入力テンソル形状の変動に対して、モデルの耐性はどの程度高いか？

主な発見

• FRnet-DTI は、酵素データセットにおいて 0.9754 の最高 auROC スコアを達成し、以前の最先端手法（[39]）の 0.9689 を上回った。
• 核受容体データセットでは、FRnet-DTI が 0.73 の auPR スコアを達成し、[39]（0.79）および [33]（0.41）を顕著に上回り、不均衡データにおける強力な性能を示した。
• 酵素、G蛋白共役型受容体、イオンチャネル、核受容体の各データセットにおいて、それぞれ auPR スコア 0.70、0.69、0.49、0.73 を達成し、4つのベンチマークデータセット全体で一貫した優位性を示した。
• FRnet-2 は、それぞれのデータセットで auROC スコア 0.9713、0.9255、0.9507、0.9134 を達成し、酵素で最高スコアを記録し、他のすべてのデータセットでも優れた性能を示した。
• モデルは、高い予測スコアを示す 20 個の新しい潜在的薬物-標的ペアを同定し、実験的検証のための有望な候補であると示唆した。
• 入力形状の変更（[X,7,211,1] 対 [X,211,7,1]）が性能にほとんど影響を与えないことから、特徴入力構成における耐性が高いことが示された。

Figure 2 : Accuracy curves of FRnet-1using $Binary\ crossentropy$ as loss function on four datasets: (a) enzymes (b) ion channels (ic) (c) GPCRs (d) nuclear receptors (nr).