[论文解读] 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 14

一句话总结

FRnet-DTI 提出了一种两阶段深度学习框架，结合自编码器与卷积神经网络，利用进化特征和结构特征预测药物-靶标相互作用。该方法在四个金标准数据集上实现了最先进性能，优于以往方法，在 auROC 和 auPR 指标上均表现优异，尤其在数据不平衡场景下表现突出，并成功识别出20个新型潜在药物-靶标配对。

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/

研究动机与目标

• 为应对药物-靶标相互作用数据集不平衡的挑战，通过信息丰富的特征工程结合深度学习方法。
• 通过整合来自 PSSM 的进化特征和来自 SPIDER3 的结构特征，提升药物与靶标预测的准确性。
• 开发一种稳健的端到端深度学习流程，优于现有监督方法在基准数据集上的表现。
• 识别可用于实验验证的新型高置信度药物-靶标相互作用候选对。
• 在高度不平衡数据场景下，证明所提方法在 auROC 和 auPR 指标上的优越性。

提出的方法

• FRnet-1 是一个深度自编码器，利用卷积层从药物和靶标输入中提取 4096 维的特征表示。
• FRnet-1 的输入是一个形状为 [X, 211, 7, 1] 或 [X, 7, 211, 1] 的 4D 张量，表示序列和进化谱系数据。
• FRnet-2 是一个双流 1D 卷积神经网络分类器，以 FRnet-1 输出的 4096 维特征作为输入。
• 模型在最终的 softmax 层前使用 ReLU 激活函数、批量归一化和全局平均池化，实现二分类。
• 特征工程包括使用位置特异性评分矩阵（PSSM）获取进化信息，以及利用 SPIDER3 预测二级结构。
• 该框架采用交叉熵损失进行端到端训练，使用 Adam 优化器进行优化，并在不同张量顺序下测试了输入形状的鲁棒性。

Figure 1 : Architecture of FRnet-1

实验结果

研究问题

• RQ1 结合自编码器与卷积分类器的两阶段深度学习框架是否能优于现有最先进方法，提升药物-靶标相互作用预测性能？
• RQ2 将进化特征（PSSM）与结构特征（SPIDER3）相结合，在不平衡数据集上是否能有效提升模型性能？
• RQ3 FRnet-DTI 是否在 auROC 和 auPR 指标上均表现优异，尤其在高度不平衡的药物-靶标相互作用数据集中？
• RQ4 该模型能否识别出未包含在现有金标准数据集中的新型高置信度药物-靶标相互作用对？
• RQ5 该模型在特征表示阶段对输入张量形状变化的鲁棒性如何？

主要发现

• 在酶类数据集上，FRnet-DTI 达到了 0.9754 的最高 auROC 分数，优于先前最先进方法（[39]）的 0.9689。
• 在核受体数据集上，FRnet-DTI 的 auPR 得分为 0.73，显著优于 [39]（0.79）和 [33]（0.41），表明其在不平衡数据上的强表现。
• 该模型在酶类、G 蛋白偶联受体、离子通道和核受体数据集上的 auPR 得分分别为 0.70、0.69、0.49 和 0.73，表明在所有四个基准数据集上均保持一致的优越性。
• FRnet-2 在相应数据集上的 auROC 得分为 0.9713、0.9255、0.9507 和 0.9134，酶类数据集得分最高，其他数据集也表现强劲。
• 该模型识别出 20 个具有高预测得分的新型潜在药物-靶标配对，提示其为实验验证提供了有前景的候选。
• 输入张量形状变化（[X,7,211,1] 与 [X,211,7,1]）对性能影响极小，表明在特征输入配置上具有高度鲁棒性。

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).