GSRF-DTI : un cadre pour la prédiction des interactions médicament-cible basé sur un réseau de paires médicament-cible et l'apprentissage de représentation sur un grand graphique

Résumé Contexte L'identification des interactions potentielles médicament-cible (DTC) avec une grande précision est une étape clé dans la découverte et le repositionnement de médicaments, en particulier en ce qui concerne des cibles spécifiques. Les méthodes expérimentales traditionnelles pour identifier les DTC sont ardues, chronophages et financièrement lourdes. En outre, des méthodes informatiques robustes ont été développées pour prédire les DTC et sont largement appliquées dans la recherche sur la découverte de médicaments. Cependant, il est essentiel de faire avancer des algorithmes plus précis pour prédire les DTC afin de répondre aux normes strictes exigées par la découverte de médicaments. Résultats Nous avons proposé une nouvelle méthode appelée GSRF-DTI, qui intègre des réseaux avec un algorithme d'apprentissage profond pour identifier les DTC. Tout d'abord, GSRF-DTI a appris la représentation d'incorporation des médicaments et des cibles en intégrant plusieurs informations d'association de médicaments et d'information d'association de cibles, respectivement. Ensuite, GSRF-DTI a pris en compte l'influence de l'association des paires médicament-cible (DTP) sur la prédiction de DTC pour construire un réseau de paires médicament-cible (DTP-NET). Ensuite, nous avons utilisé GraphSAGE sur DTP-NET pour apprendre les caractéristiques potentielles du réseau et appliqué la forêt aléatoire (RF) pour prédire les DTC. De plus, nous avons mené des expériences d'ablation pour valider la nécessité d'intégrer différents types de caractéristiques de réseau pour identifier les DTC. Il convient de noter que GSRF-DTI a proposé trois nouvelles DTC. Conclusions GSRF-DTI a non seulement pris en compte l'influence de la relation d'interaction entre le médicament et la cible, mais a également considéré l'impact de la relation d'association DTP sur la prédiction de DTC. Nous utilisons initialement GraphSAGE pour agréger les informations voisines des nœuds pour une meilleure identification. L'analyse expérimentale sur le jeu de données de Luo et le jeu de données nouvellement construit a révélé que le cadre GSRF-DTI surpassait significativement plusieurs méthodes de pointe.