检索历史 清除

摘要药物治疗一直是预防和治疗疾病的首选办法，药物-靶标相互作用(Drug-Target Interaction,DTI)预测是新药研发领域和药物重定位流程中至关重要的一步。基于高通量筛选的传统实验方法进行药物靶标相互作用预测通常面临周期长、失败率高、成本巨大且难以全面实施等诸多挑战。随着时代发展和技术进步，采用深度学习的方法进行药物靶标相互作用预测开始被广泛关注。<br>　　药物-靶标相互作用预测实质是一个二分类问题，数据不平衡是这个预测问题的重要挑战。为了应对此挑战，本文提出一种基于图生成对抗网络方法提升药物-靶标相互作用预测的效果。首先伪位置特异性评分矩阵(PsePSSM)和指纹图谱(Fingerprint)分别作为蛋白质和药物的特征。根据药物-靶标相互作用情况分为正样本类和负样本类，利用自编码器对数据进行降维，对少数类样本数据利用生成对抗网络进行样本增强。然后使用药物-药物、蛋白质-蛋白质相似网络以及药物-蛋白质相互作用网络作为输入数据构建异构网络，用图卷积神经网络获得药物和靶点的嵌入式表示，在节点嵌入过程中引入图注意力机制。最后，应用解码器来预测DTI。<br>　　本文在IC数据集上使用图生成对抗网络、欠采样和SMOTE三个方法平衡样本，对比实验结果发现基于图生成对抗网络方法下模型召回率比欠采样和SMOTE方法分别提高2.8％和2％，并且准确率也有相应提高，说明图生成对抗网络平衡样本使DTI预测性能增强。在Enzyme、Ion Channelr、CPRC和NR数据集下基于图生成对抗网络模型与最新基线DTI-GAT、DTI-HETA等相比准确率都提高1％以上，基于图生成对抗网络的DTI预测模型效果较好，也验证了图生成对抗网络可以有效地解决类不平衡问题，从而显著提高DTI预测性能。因此，该模型在药物靶标预测中有良好的应用前景。