[논문 리뷰] FRnet-DTI: Deep Convolutional Neural Networks with Evolutionary and Structural Features for Drug-Target Interaction

Farshid Rayhan, Sajid Ahmed외 3명|arXiv (Cornell University)|2018. 06. 19.

Computational Drug Discovery Methods참고 문헌 54인용 수 14

한 줄 요약

FRnet-DTI는 진화적 및 구조적 특징을 사용하여 약물-표적 상호작용을 예측하기 위해 오토인코더와 컨volutional 신경망을 조합한 이단계 딥러닝 프레임워크를 제안한다. 이는 네 개의 골드스탠다드 데이터셋에서 최신 기술 수준을 기록하며, 특히 불균형 데이터 설정에서 뛰어난 성능을 보이며 20개의 새로운 잠재적 약물-표적 복합체를 식별하였다.

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/

연구 동기 및 목표

• 정보적인 특징 공학을 활용하여 불균형한 약물-표적 상호작용 데이터셋 문제를 해결하기 위해 딥러닝을 적용한다.
• 약물 및 표적에 대해 PSSM에서 유래한 진화적 특징과 SPIDER3에서 유래한 구조적 특징을 통합하여 예측 정확도를 향상시킨다.
• 기존의 감독 학습 방법보다 벤치마크 데이터셋에서 뛰어난 성능을 보이는 견고한 엔드 투 엔드 딥러닝 파이프라인을 개발한다.
• 실험적 검증을 위한 가능성이 높은 새로운 약물-표적 상호작용 후보를 식별한다.
• 특히 극도로 불균형한 데이터 시나리오에서 auROC 및 auPR 지표에서 제안된 방법의 우수성을 입증한다.

제안 방법

• FRnet-1은 컨volutional 레이어를 사용하여 약물 및 표적 입력으로부터 4096차원의 특징 표현을 추출하는 딥 오토인코더이다.
• FRnet-1의 입력은 [X, 211, 7, 1] 또는 [X, 7, 211, 1]의 형태를 가진 4차원 텐서로, 시퀀스 및 진화적 프로파일 데이터를 나타낸다.
• FRnet-2는 FRnet-1에서 유도된 4096차원 특징을 입력으로 사용하는 이중 스트림 1D 컨volutional 신경망 분류기이다.
• 모델은 이중 분류를 위해 ReLU 활성화, 배치 정규화, 글로벌 평균 풀링을 거친 후 최종 소프트맥스 레이어를 사용한다.
• 특징 공학에는 진화적 정보를 위한 위치별 스코링 매트릭스(PSSM)와 SPIDER3에서 유도된 이차 구조 예측이 포함된다.
• 프레임워크는 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 훈련되며, Adam 옵timizer를 통해 최적화되며, 다양한 텐서 순서에서의 입력 형상에 대한 내구성 테스트가 수행되었다.

Figure 1 : Architecture of FRnet-1

실험 결과

연구 질문

• RQ1 오토인코더와 컨볼루션 분류기의 조합으로 구성된 이단계 딥러닝 프레임워크가 기존 최신 기술 수준의 방법보다 약물-표적 상호작용 예측 성능을 향상시킬 수 있는가?
• RQ2 PSSM에서 유래한 진화적 특징과 SPIDER3에서 유래한 구조적 특징의 통합은 불균형 데이터셋에서 모델 성능 향상에 얼마나 효과적인가?
• RQ3 FRnet-DTI는 특히 극도로 불균형한 약물-표적 상호작용 데이터셋에서 auROC 및 auPR 지표에서 뛰어난 성능을 보일 수 있는가?
• RQ4 모델은 기존 골드스탠다드 데이터셋에 포함되지 않은 새로운 고신뢰도 약물-표적 상호작용 복합체를 식별할 수 있는가?
• RQ5 특징 표현 단계에서 입력 텐서 형상의 변동에 대해 모델은 얼마나 내구성이 있는가?

주요 결과

• FRnet-DTI는 효소 데이터셋에서 auROC 점수 0.9754를 기록하여 이전 최신 기술 수준 방법([39])의 0.9689를 초월하였다.
• 핵수용체 데이터셋에서 FRnet-DTI는 auPR 점수 0.73을 기록하여 [39]의 0.79와 [33]의 0.41를 크게 상회하여 불균형 데이터에서 강력한 성능을 보였다.
• 효소, GPCR, 이온 채널, 핵수용체 데이터셋에서 각각 auPR 점수 0.70, 0.69, 0.49, 0.73를 기록하여 네 개의 벤치마크 데이터셋 전반에서 일관된 우수성을 입증하였다.
• FRnet-2는 각각 효소, GPCR, 이온 채널, 핵수용체 데이터셋에서 auROC 점수 0.9713, 0.9255, 0.9507, 0.9134를 기록하였으며, 효소 데이터셋에서 최고 점수를 기록하고 다른 모든 데이터셋에서도 뛰어난 성능을 보였다.
• 모델은 높은 예측 점수를 기록한 20개의 새로운 잠재적 약물-표적 복합체를 식별하여 실험적 검증을 위한 유망한 후보로 제안하였다.
• 입력 형상의 변동([X,7,211,1] 대비 [X,211,7,1])이 성능에 미치는 영향이 최소한이었으며, 특징 입력 구성에서의 내구성을 시사하였다.

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).