[论文解读] 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 10

一句话总结

该论文提出了一种仅依赖已知相互作用数据、无需化学结构或基因组序列的药物-靶点相互作用（DTI）预测稀疏学习方法。通过利用双部药物-靶点网络中的拓扑信息，该方法在四个基准数据集上优于基于相似性的链接预测方法（如公共邻居、Katz和Jaccard指数）。

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.

研究动机与目标

• 解决药物开发中实验性药物-靶点相互作用鉴定成本高且效率低的问题。
• 开发一种不依赖额外生物或化学数据（如分子结构或基因组序列）的机器学习DTI预测方法。
• 通过在双部网络拓扑上应用稀疏学习，提升对现有基于相似性的链接预测方法的预测性能。
• 在无额外分子或基因组信息的情况下，实现对现有药物的可靠再利用。

提出的方法

• 该方法将DTI预测建模为已知药物-靶点相互作用双部网络上的稀疏学习问题。
• 利用从相互作用网络结构中提取的拓扑特征（如邻域模式和连通性）来推断潜在相互作用。
• 通过稀疏正则化，仅从已知相互作用中学习一个紧凑且可解释的相互作用预测模型。
• 模型在已知相互作用上最小化预测误差，同时施加稀疏性以避免过拟合并增强泛化能力。
• 该方法无需从化学或基因组数据中进行特征工程，完全依赖网络拓扑。
• 基于学习到的稀疏表示计算预测得分，得分越高表示相互作用可能性越大。

实验结果

研究问题

• RQ1 仅使用已知相互作用数据且不依赖额外生物或化学特征的DTI预测方法能否实现高性能？
• RQ2 与传统基于相似性的链接预测方法（如公共邻居、Jaccard、Katz）相比，稀疏学习方法在DTI预测中的表现如何？
• RQ3 双部药物-靶点网络中的拓扑信息在多大程度上足以实现对新型相互作用的准确预测？
• RQ4 在缺乏分子或基因组数据的情况下，所提出的方法是否具有鲁棒性和有效性？

主要发现

• 所提出的稀疏学习方法在四个基准DTI数据集上显著优于基于相似性的方法（如公共邻居、Katz和Jaccard指数）。
• 尽管仅依赖已知药物-靶点相互作用且无辅助数据，该方法仍实现了强大的预测性能。
• 结果表明，仅凭相互作用网络中的拓扑结构即可提供足够信息以实现可靠的DTI预测。
• 该方法在药物再利用方面尤为有效，尤其适用于缺乏详细分子或基因组数据的场景。
• 在所有四个基准数据集上，该方法相对于基于相似性的方法均表现出一致的性能提升，表明其具有鲁棒性和良好的泛化能力。