[论文解读] Kernel methods for in silico chemogenomics

Laurent Jacob, Jean‐Philippe Vert|ArXiv.org|Sep 25, 2007

Computational Drug Discovery Methods参考文献 53被引用 4

一句话总结

该论文提出了一种基于核函数的机器学习框架，通过在统一特征空间中联合建模配体-靶标相互作用，实现了对蛋白质小分子结合的精确预测，即使对于尚未知配体的靶标亦可实现。通过利用编码生物学关系（如层次结构或基于序列的相似性）的靶标特异性核函数，该方法在经典单靶标方法基础上显著提升了预测准确性，尤其在酶、G蛋白偶联受体（GPCRs）和离子通道等靶标类别中表现突出。

ABSTRACT

Predicting interactions between small molecules and proteins is a crucial ingredient of the drug discovery process. In particular, accurate predictive models are increasingly used to preselect potential lead compounds from large molecule databases, or to screen for side-effects. While classical in silico approaches focus on predicting interactions with a given specific target, new chemogenomics approaches adopt cross-target views. Building on recent developments in the use of kernel methods in bio- and chemoinformatics, we present a systematic framework to screen the chemical space of small molecules for interaction with the biological space of proteins. We show that this framework allows information sharing across the targets, resulting in a dramatic improvement of ligand prediction accuracy for three important classes of drug targets: enzymes, GPCR and ion channels.

研究动机与目标

• 解决在传统对接或基于配体的方法失效的情况下，对已知配体有限或缺失的药物靶标预测配体-蛋白相互作用的挑战。
• 通过配体与靶标统一的联合表示，克服单靶标建模的局限性，实现在生物相关靶标之间的信息共享。
• 开发一种系统性、基于核函数的框架，整合分子与蛋白质特征，无需手动选择共享数据或复杂重加权过程。
• 提升关键药物靶标类别（如酶、GPCRs和离子通道）的预测性能，尤其在数据稀疏场景下（即某靶标缺乏或仅有少量已知配体时）表现更优。

提出的方法

• 使用联合特征向量 $\boldsymbol{\text{Φ}}(t, c)$ 表示每个配体-靶标对 $(t, c)$，该向量结合了配体特异性特征（如分子指纹）和靶标特异性特征（如序列或结构谱）。
• 采用核方法将联合空间映射到再生核希尔伯特空间，从而支持向量机（SVMs）可用于配体相互作用可能性的二分类任务。
• 设计靶标特异性核函数（如狄拉克核、层次核、多任务核、错配核和局部对齐核），以编码先验生物学知识（如进化关系或序列相似性），并实现跨靶标的信息迁移。
• 在所有靶标的所有已知相互作用对上联合训练单一SVM模型，利用联合核函数隐式共享相似靶标的数据，从而提升数据稀疏靶标的泛化能力。
• 通过核函数组合的系统性方法实现配体与靶标特征的融合，避免了对共享训练实例的人工选择或复杂加权方案。
• 利用现有的、成熟的分子图核函数（如ChemCPP中的核函数），并将其扩展以整合靶标层面的表示，从而实现可扩展性并保持与先前工作的兼容性。

实验结果

研究问题

• RQ1 通过在生物相关靶标之间共享信息，统一的核函数框架是否能提升对多样化蛋白靶标的配体预测准确性？
• RQ2 靶标核函数的选择（如层次核与狄拉克核）对预测性能有何影响，特别是在缺乏或仅有少量已知配体的靶标上？
• RQ3 该模型在缺乏已知配体的靶标上预测配体的能力有多强？与具有已知配体的靶标相比，性能是否显著下降？
• RQ4 基于生物学层次结构或序列相似性的结构化靶标核函数，是否能优于简单或随机核函数，更有效地捕捉靶标之间的功能关系？
• RQ5 通过核方法联合建模配体与靶标空间，是否能提供一种系统且可扩展的替代方案，以替代现有化学基因组学方法中依赖人工数据选择或靶标聚类的流程？

主要发现

• 当某靶标无已知配体时，层次核函数在酶类上的预测准确率为 $0.862 \times 0.009$，在GPCRs上为 $0.776 \times 0.026$，在离子通道上为 $0.805 \times 0.018$，表明其在低数据场景下具有强大的泛化能力。
• 对于无已知配体的靶标，层次核函数在酶类上仅损失 $1.5\text{ percentage points}$ 的准确率，GPCRs上损失 $4.1\text{ points}$，离子通道上损失 $5.2\text{ points}$，表明其迁移学习能力稳健。
• 当某靶标无配体时，狄拉克核函数在所有靶标类别上的表现均接近随机水平（$0.500 \times 0.000$），证实仅依赖孤立靶标数据的模型在低数据场景下会失效。
• 对于已知配体较少的靶标，层次核函数相比狄拉克核函数在准确率上最高可提升 $30\text{ percentage points}$，凸显在核函数中引入生物学结构的显著优势。
• 该方法通过结构化靶标核函数有效利用跨靶标信息，在三大主要药物靶标家族（酶、GPCRs和离子通道）中实现了最先进性能。
• 即使某靶标无已知配体，该框架仍实现了有意义的预测性能（如离子通道上达到 $0.805 \times 0.018$），证明其在孤儿靶标（如未表征的GPCRs）上的可行性。