Fine-Grained Selective Similarity Integration for Drug-Target Interaction Prediction

要約

薬物標的相互作用 (DTI) の発見は、医薬品開発における極めて重要なプロセスです。
計算によるアプローチは、多数の候補から新しい DTI を予測するための、退屈で費用のかかるウェットラボ実験に代わる有望で効率的な代替手段です。
最近、多様なデータソースから豊富な異種生物学的情報が利用できるようになったため、計算手法は複数の薬物と標的の類似性を活用して、DTI 予測のパフォーマンスを向上させることができました。
類似性統合は、補完的な類似性ビュー全体で重要な情報を抽出するための効果的かつ柔軟な戦略であり、類似性ベースの DTI 予測モデルに圧縮された入力を提供します。
ただし、既存の類似性統合方法は、グローバルな観点から類似性をフィルタリングおよび融合し、各薬物およびターゲットの類似性ビューの有用性を無視しています。
この研究では、FGS と呼ばれる細粒度の選択的類似性統合アプローチを提案します。これは、ローカル相互作用の一貫性に基づく重み行列を使用して、類似性の選択と組み合わせの両方のステップで、より細かい粒度で類似性の重要性を捉えて活用します。
さまざまな予測設定の下で、5 つの DTI 予測データセットで FGS を評価します。
実験結果は、私たちの方法が同等の計算コストで類似性統合の競合他社よりも優れているだけでなく、従来の基本モデルと協力することにより、最先端の DTI 予測アプローチよりも優れた予測パフォーマンスを達成することを示しています。
さらに、類似性の重みの分析と新しい予測の検証に関するケース スタディは、FGS の実用的な能力を確認します。

要約(オリジナル)

The discovery of drug-target interactions (DTIs) is a pivotal process in pharmaceutical development. Computational approaches are a promising and efficient alternative to tedious and costly wet-lab experiments for predicting novel DTIs from numerous candidates. Recently, with the availability of abundant heterogeneous biological information from diverse data sources, computational methods have been able to leverage multiple drug and target similarities to boost the performance of DTI prediction. Similarity integration is an effective and flexible strategy to extract crucial information across complementary similarity views, providing a compressed input for any similarity-based DTI prediction model. However, existing similarity integration methods filter and fuse similarities from a global perspective, neglecting the utility of similarity views for each drug and target. In this study, we propose a Fine-Grained Selective similarity integration approach, called FGS, which employs a local interaction consistency-based weight matrix to capture and exploit the importance of similarities at a finer granularity in both similarity selection and combination steps. We evaluate FGS on five DTI prediction datasets under various prediction settings. Experimental results show that our method not only outperforms similarity integration competitors with comparable computational costs, but also achieves better prediction performance than state-of-the-art DTI prediction approaches by collaborating with conventional base models. Furthermore, case studies on the analysis of similarity weights and on the verification of novel predictions confirm the practical ability of FGS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google