MOVE: Integration von Multi-Source-Informationen zur Vorhersage von DTI durch kontrastives Lernen aus verschiedenen Perspektiven

Die Vorhersage von Drug-Target-Interaktionen (DTI) dient als Grundlage für die Entdeckung neuer Medikamente und die Neupositionierung von Arzneimitteln. Für Medikamente/Ziele enthalten die Sequenzdaten die biologischen Strukturinformationen, während das heterogene Netzwerk die biochemischen Funktionsinformationen umfasst. Diese beiden Informationsarten beschreiben unterschiedliche Aspekte von Medikamenten und Zielen. Aufgrund der Komplexität der DTI-Mechanismen ist es notwendig, die Repräsentation aus mehreren Perspektiven zu lernen. Wir versuchen hier, einen Weg zu entwerfen, um Informationen aus Multi-Source-Daten maximal zu nutzen und eine Strategie zur Fusion dieser zu finden. Um die oben genannten Herausforderungen anzugehen, schlagen wir ein Modell vor, das MOVE (Abkürzung für die Integration von Multi-Source-Informationen zur Vorhersage von DTI über kontrastives Lernen aus verschiedenen Perspektiven) heißt, um umfassende Repräsentationen jedes Medikaments und Ziels aus Multi-Source-Daten zu lernen. MOVE extrahiert Informationen aus der Sequenzansicht und der Netzwerkansicht und nutzt dann ein Fusionsmodul mit unterstützendem kontrastivem Lernen, um die Fusion der Repräsentationen zu erleichtern. Die experimentellen Ergebnisse auf dem Benchmark-Datensatz zeigen, dass MOVE bei der DTI-Vorhersage effektiv ist.