基于协同矩阵分解的药物靶标相互作用关系预测-论文-万方医学网

基于协同矩阵分解的药物靶标相互作用关系预测

二维码有效期 120s

收藏纠错

摘要研究药物和靶标蛋白之间的关系对于药物研发有着重要的意义。传统的化学试验方法效率低下且成本高昂，而通过计算机技术进行研究具有高效、低开销等优点，因此成为这一领域的重要研究途径。本文重点关注基于机器学习，尤其是基于相似度的药物-靶标相互作用关系预测方法。这一领域当下的研究热点是如何开发新的预测方法使其具有较高的预测准确性。<br>　　在本文中，我们首先对现今较为经典，同时预测效果较好的几种基于机器学习的方法进行了简要的回顾和比较。之后我们提出了一种全新的基于矩阵分解的机器学习方法——协同矩阵分解（Collaborative Matrix Factorization），并在统一的实验条件下与之前的方法进行了预测性能的比较。实验结果表明，协同矩阵分解在12种实验设置中有9种都取得了最好的预测效果，展示了协同矩阵分解在药物-靶标蛋白关系预测中的突出优势。最后我们对通过协同矩阵分解预测得到的全新的药物-靶标蛋白匹配对在最新的数据库中进行了验证，结果表明，在20个新预测中有14个都得到了证实，展示了协同矩阵分解的实际应用价值。