基于元路径的概率软逻辑药物靶点相互作用预测

Jun, 2023

基于元路径的概率软逻辑药物靶点相互作用预测

Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction Prediction

Shengming Zhang, Yizhou Sun

TL;DR本研究提出了一种基于概率软逻辑（PSL）的网络药物 - 靶位点相互作用预测方法，通过多源信息的异质网络，包括药物相似性、靶位点相似性、药物 - 靶位点相互作用和其他潜在信息，利用元路径计数代替路径实例来降低 PSL 规则实例的数量。实验结果表明，该方法在 AUPR 和 AUC 分数方面优于其他五种方法。

Abstract

drug-target interaction (DTI) prediction, which aims at predicting whether a drug will be bounded to a target, have received wide attention recently, with the goal to automate and accelerate the costly process of drug design. Most of the recently proposed methods use single drug-drug s

drug-target interaction dti prediction multi-similarity information probabilistic soft logic heterogeneous network

发现论文，激发创造

药物 - 靶点相互作用预测的跨领域融合策略

药物靶标作用（DTI）预测是药物发现过程中的关键组成部分。本文提出了一种双通道网络结构的交叉领域监督学习模型 SiamDTI，通过跨领域信息融合策略获取局部和全局蛋白质信息，并在三个基准数据集上实验证明 SiamDTI 在预测新药物和靶标方面具有较高的准确性。

May, 2024

朝着更具归纳性的药物重用方法的世界迈进

该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。

Nov, 2023

PGraphDTA: 利用蛋白质语言模型和接触图改进药物靶点相互作用预测

本研究探讨了药物靶点相互作用预测的各种技术及其改进方法，通过整合蛋白质语言模型和接触图信息提高了模型性能，为寻找针对特定蛋白质的潜在药物加速了药物发现过程。

Oct, 2023

基于因果干预的药物靶向作用置信度量化方法的研究与实现

本研究采用因果干预方法，以知识映射为核心技术，通过对三元组得分进行置信度测量，从而提高了药物靶点相互作用预测模型的准确性。结果表明，该方法可以有效提高 DTI 链接预测的准确性，并有助于指导药物开发后续实验设计和开发效率。

May, 2023

基于精细化的选择性相似性整合用于药物靶点相互作用预测

本文提出了一种称为 FGS 的细粒度选择性相似性集成方法，它利用基于局部相似性特征的一致性权重矩阵，以更细的粒度捕捉和利用相似性的重要性，实现了更好的药物 - 靶标互作预测表现。

Dec, 2022

PIGNet: 基于物理知识的深度学习模型，用于广义药物靶点相互作用预测

本研究提出通过预测物理信息方程中的原子间相互作用并将其总和用于蛋白质 - 配体复合物的结合亲和力，以增强深度神经网络（DNN）药物靶标交互模型的泛化能力，并通过扩大训练数据的结合位姿和配体来改进模型的泛化能力物。通过可视化配体亚结构的贡献，这种物理信息策略为进一步配体优化提供了见解。我们的模型 PIGNet 在 CASF2016 比较评估中得到验证，表现出优于以前方法的对接和筛选能力。

Aug, 2020

SMT-DTA: 半监督多任务训练提高药物 - 靶标亲和力预测

本文提出了一种基于深度学习的多任务训练、半监督学习和交叉注意力模块的方法，预测药物 - 靶标亲和性，有效地应用于药物设计和制造过程中，实验结果显示此方法具有较高的准确性和广泛的应用前景。

Jun, 2022

DeepDTA: 深度药物 - 靶向结合亲和力预测

利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

Jan, 2018

HiGraphDTI: 药物 - 靶标相互作用预测的分层图表示学习

通过学习三层分子图中层次化的药物表征，结合关注机制，识别关键分子片段，该研究提出了一种基于层次化图表示学习的药物靶标相互作用预测方法，从而更好地利用原子、模式和分子中嵌入的化学信息，提取了表达丰富的靶标特征，展示出其在 DTI 预测上的优越性。

Apr, 2024

基于知识图谱嵌入和卷积 - LSTM 网络的药物相互作用预测

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019