基于异质信息网络元路径的药物-靶标相互作用预测模型

提出一种融合元路径信息的图神经网络模型,用于预测药物-靶标相互作用(GMDTI).首先根据8个数据集中的药物、靶标、疾病和副作用数据以及它们之间的8种作用关系,构建药物-靶标异质信息网络(HIN);然后定义两条元路径来捕获药物-靶标HIN中的不同子结构信息和不同节点间隐藏的语义信息,并应用图神经网络的方法聚合节点的一阶邻居信息和元路径中节点间的语义信息;最后利用端到端的学习方法完成DTIs预测.该方法同时考虑药物-靶标HIN的结构特性和元路径语义信息,有助于学习到更多潜在的药物-靶标作用关系.实验结果表明,GMDTI的预测准确率高于所有基线模型,AUC达到98.6％,AUPR达到94.5％.同...

Full description

Saved in:
Bibliographic Details
Published in北京大学学报（自然科学版） Vol. 58; no. 1; pp. 37 - 44
Main Authors 廖懿鸣, 欧阳纯萍, 刘永彬, 胡富裕
Format Journal Article
LanguageChinese
Published 南华大学计算机学院, 衡阳 421001 20.01.2022
Subjects
药物-靶标相互作用预测;图神经网络;异质信息网络;元路径;特征表示
Online AccessGet full text
ISSN0479-8023
DOI10.13209/j.0479-8023.2021.105

Cover

More Information
Summary:提出一种融合元路径信息的图神经网络模型,用于预测药物-靶标相互作用(GMDTI).首先根据8个数据集中的药物、靶标、疾病和副作用数据以及它们之间的8种作用关系,构建药物-靶标异质信息网络(HIN);然后定义两条元路径来捕获药物-靶标HIN中的不同子结构信息和不同节点间隐藏的语义信息,并应用图神经网络的方法聚合节点的一阶邻居信息和元路径中节点间的语义信息;最后利用端到端的学习方法完成DTIs预测.该方法同时考虑药物-靶标HIN的结构特性和元路径语义信息,有助于学习到更多潜在的药物-靶标作用关系.实验结果表明,GMDTI的预测准确率高于所有基线模型,AUC达到98.6％,AUPR达到94.5％.同时通过调整数据的稀疏度和降噪实验,证明GMDTI具备优于所有基线模型的鲁棒性.
ISSN:0479-8023
DOI:10.13209/j.0479-8023.2021.105