Nachbarschaftsregularisierte logistische Matrixfaktorisierung zur Vorhersage von Medikament-Targets-Interaktionen

In den pharmazeutischen Wissenschaften ist ein entscheidender Schritt des Arzneimittelforschungsprozesses die Identifizierung von Medikament-Target-Interaktionen. Allerdings wurde nur ein kleiner Teil der Medikament-Target-Interaktionen experimentell validiert, da die experimentelle Validierung mühsam und kostspielig ist. Um die Effizienz der Arzneimittelforschung zu verbessern, besteht ein großer Bedarf an der Entwicklung genauer computergestützter Ansätze, die potenzielle Medikament-Target-Interaktionen vorhersagen können, um die experimentelle Überprüfung zu leiten. In diesem Papier schlagen wir einen neuartigen Algorithmus zur Vorhersage von Medikament-Target-Interaktionen vor, nämlich die nachbarschaftsregularisierte logistische Matrixfaktorisierung (NRLMF). Speziell konzentriert sich die vorgeschlagene NRLMF-Methode darauf, die Wahrscheinlichkeit zu modellieren, dass ein Medikament mit einem Target interagiert, indem die logistische Matrixfaktorisierung verwendet wird, bei der die Eigenschaften von Medikamenten und Targets durch medikamentenspezifische und target-spezifische latente Vektoren dargestellt werden. Darüber hinaus weist NRLMF den positiven Beobachtungen (d.h. den beobachteten interagierenden Medikament-Target-Paaren) eine höhere Wichtigkeit zu als negativen Beobachtungen (d.h. den unbekannten Paaren). Da die positiven Beobachtungen bereits experimentell validiert sind, sind sie in der Regel vertrauenswürdiger. Darüber hinaus wurde die lokale Struktur der Medikament-Target-Interaktionsdaten durch nachbarschaftliche Regularisierung genutzt, um eine bessere Vorhersagegenauigkeit zu erreichen. Wir führten umfangreiche Experimente über vier Benchmark-Datensätze durch, und NRLMF zeigte seine Effektivität im Vergleich zu fünf hochmodernen Ansätzen.