[논문 리뷰] Predicting drug-target interactions via sparse learning.

Ratha Pech, Hao Dong외 2명|arXiv (Cornell University)|2017. 06. 06.

Computational Drug Discovery Methods인용 수 10

한 줄 요약

이 논문은 화학 구조나 게놈 서열을 요구하지 않고 오직 알려진 상호작용 데이터에 의존하는 약물-표적 상호작용(DTI) 예측을 위한 희소 학습 방법을 제안한다. 이중 약물-표적 네트워크의 위상 정보를 활용하여, 네 가지 벤치마크 데이터셋에서 공통 이웃, 카츠, 자카르 지수와 같은 유사도 기반 링크 예측 방법들을 능가한다.

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.

연구 동기 및 목표

• 약물 개발에서 실험적 약물-표적 상호작용 규명의 높은 비용과 비효율성 문제를 해결하기 위해.
• 분자 구조나 게놈 서열과 같은 추가 생물학적 또는 화학적 데이터에 의존하지 않는 기계학습 방법을 DTI 예측을 위해 개발하기 위해.
• 이중 네트워크 위상에 기반한 희소 학습을 통해 기존의 유사도 기반 링크 예측 방법보다 성능을 향상시키기 위해.
• 분자 또는 게놈 정보가 제공되지 않을 경우에도 기존 약물의 재활용을 신뢰성 있게 가능하게 하기 위해.

제안 방법

• 이 방법은 알려진 약물-표적 상호작용의 이중 네트워크에서 DTI 예측을 희소 학습 문제로 공식화한다.
• 이웃 패턴과 연결성과 같은 상호작용 네트워크 구조에서 유도된 위상적 특징을 사용하여 잠재적 상호작용을 추론한다.
• 알려진 상호작용에서만 모델을 학습시키기 위해 희소 정규화를 적용하여 간결하고 해석 가능한 상호작용 예측 모델을 학습한다.
• 예측 오차를 최소화하면서 과적합을 방지하고 일반화 능력을 향상시키기 위해 희소성 조건을 강제한다.
• 화학 또는 게놈 데이터에서 특징 공학을 필요로 하지 않으며, 오직 네트워크 위상에 의존한다.
• 학습된 희소 표현을 기반으로 예측 점수를 계산하며, 높은 점수는 상호작용 가능성의 강도를 나타낸다.

실험 결과

연구 질문

• RQ1 알려진 상호작용 데이터 외에 추가 생물학적 또는 화학적 특징이 없는 조건에서, DTI 예측 방법이 높은 성능을 달성할 수 있는가?
• RQ2 유사도 기반 링크 예측 방법(예: 공통 이웃, 자카르, 카츠)과 비교해 희소 학습 방법은 DTI 예측에서 어떻게 성능을 냈는가?
• RQ3 이중 약물-표적 네트워크의 위상 정보만으로도 새로운 상호작용을 얼마나 정확하게 예측할 수 있는가?
• RQ4 분자 또는 게놈 데이터가 가용하지 않은 상황에서도 제안된 방법이 강건하고 효과적인가?

주요 결과

• 제안된 희소 학습 방법은 네 가지 벤치마크 DTI 데이터셋에서 공통 이웃, 카츠, 자카르 지수와 같은 유사도 기반 방법들을 뚜렷이 능가한다.
• 이 방법은 추가 데이터 없이 오직 알려진 약물-표적 상호작용에 의존함에도 불구하고 뛰어난 예측 성능를 달성한다.
• 결과는 상호작용 네트워크의 위상적 구조만으로도 신뢰할 수 있는 DTI 예측이 가능하다는 것을 보여준다.
• 이 방법은 분자 또는 게놈 데이터가 제공되지 않을 수 있는 약물 재활용에 특히 효과적이다.
• 유사도 기반 방법에 비해 성능 향상은 네 가지 모두의 벤치마크 데이터셋에서 일관되게 관찰되어 강건성과 일반화 능력을 입증한다.