[論文レビュー] Predicting drug-target interactions via sparse learning.

Ratha Pech, Hao Dong+2 more|arXiv (Cornell University)|Jun 6, 2017

Computational Drug Discovery Methods被引用数 10

ひとこと要約

本論文は、化学構造やゲノム配列を必要とせず、既知の相互作用データのみに依存する、ドラッグ・ターゲット相互作用（DTI）予測のスパース学習手法を提案する。双方向ドラッグ・ターゲットネットワークからのトポロジー的情報を活用することで、共通の近傍、Katz、ジャカード係数などの類似度ベースのリンク予測手法を、4つのベンチマークデータセットで上回る性能を発揮する。

ABSTRACT

Drug-target interaction (DTI) prediction plays a very important role in drug development. Biochemical experiments or in vitro methods to identify such interactions are very expensive, laborious and time-consuming. Therefore, in silico approaches including docking simulation and machine learning have been proposed to solve this problem. In particular, machine learning approaches have attracted increasing attentions recently. However, in addition to the known drug-target interactions, most of the machine learning methods require extra information such as chemical structures, genome sequences, binding types and so on. Whenever such information is not available, they may perform poor. Very recently, the similarity-based link prediction methods were extended to bipartite networks, which can be applied to solve the DTI prediction problem by using topological information only. In this work, we propose a sparse learning method to solve the DTI prediction problem, which does not require extra information and performs much better than similarity-based methods. We compare the proposed method with similarity-based methods including common neighbor index, Katz index and Jaccard index on the DTI prediction problem over the four renowned and benchmark datasets. The proposed method performs remarkably better. The results suggest that although the proposed method utilizes only the known drug-target interactions, it performs very satisfactorily. The method is very suitable to predict the potential uses of the existing drugs, especially, when extra information about the drugs and targets is not available.

研究の動機と目的

• ドラッグ開発における実験的ドラッグ・ターゲット相互作用同定の高コストかつ非効率な点に対処すること。
• 分子構造やゲノム配列などの追加の生物学的・化学的データに依存しない機械学習手法をDTI予測に開発すること。
• 双方向ネットワークのトポロジーにスパース学習を適用することで、既存の類似度ベースのリンク予測手法を上回る予測性能を向上させること。
• 分子的またはゲノム的データが利用できない状況においても、既存の薬物の再利用を信頼できる形で可能にすること。

提案手法

• 本手法は、既知のドラッグ・ターゲット相互作用の二部グラフネットワーク上で、DTI予測をスパース学習問題として定式化する。
• 近隣パターンや接続性といった、相互作用ネットワーク構造から導出されるトポロジカル特徴を用いて、潜在的な相互作用を推定する。
• スパース正則化を適用することで、既知の相互作用のみから、コンactかつ解釈可能な相互作用予測モデルを学習する。
• モデルは、既知の相互作用における予測誤差を最小化するように学習させるとともに、過学習を回避し一般化性能を向上させるためにスパarsityを強制する。
• 化学的・ゲノム的データからの特徴工学は不要であり、ネットワークトポロジーにのみ依存する。
• 予測スコアは、学習されたスパース表現に基づいて計算され、スコアが高いほど相互作用の可能性が高くなる。

実験結果

リサーチクエスチョン

• RQ1 既知の相互作用データと追加の生物学的・化学的特徴なしに、DTI予測手法が高い性能を達成できるか？
• RQ2 スパース学習アプローチは、共通近傍、ジャカード、Katzなどの従来の類似度ベースのリンク予測手法と比べて、DTI予測においてどのように差をつけるか？
• RQ3 双方向ドラッグ・ターゲットネットワーク内のトポロジカル情報のみで、どれほど正確に新しい相互作用を予測できるか？
• RQ4 分子的またはゲノム的データが利用できない状況において、提案手法は頑健で効果的か？

主な発見

• 提案されたスパース学習手法は、4つのベンチマークDTIデータセットにおいて、共通近傍、Katz、ジャカード係数などの類似度ベースの手法を顕著に上回る性能を発揮した。
• 本手法は、既知のドラッグ・ターゲット相互作用にのみ依存し、補助データを一切使用しないにもかかわらず、強力な予測性能を達成した。
• 結果から、相互作用ネットワーク内のトポロジカル構造そのものが、信頼性の高いDTI予測に十分な情報を含んでいることが示された。
• 分子的・ゲノム的データが利用できない状況における薬物再利用の観点から、本手法は特に効果的であることがわかった。
• 4つのベンチマークデータセットすべてで、類似度ベースの手法に対する性能向上が一貫して得られたため、本手法の頑健性と一般化能力が裏付けられた。