基于一致性学习预测药物 - 靶标相互作用

提出了一种基于局部全局一致性（LLGC）学习的药物 - 靶标相互作用预测模型。该模型基于 邻近结点及流形结构或聚类中的结点更有可能有相同标签这一结论,综合考虑靶标和药物数据的全局和局部 特征,融合靶标的序列相似性和药物 - 靶标网络的拓扑结构信息,提出药物 - 靶标相互作用预测方法,挖 掘来自标准数据集中的药物 - 靶标相互作用数据。为了分析局部全局一致性方法的性能,在酶、离子通道、 GPCR 与核受体 4 个数据集中对此方法与 SBGI、KBMF2K、NetCBP 和 WNN-GIP 进行了比较,实验结果表 明,除了在核受体数据中 LLGC 的 AUC 值比 NetCBP 和 WNN-GIP 中的略低外,在其他 3 个数据中,LLGC 的性能都优于其他方法。确定模型性能后,将其用于药物 - 靶标相互作用数据预测,给出了得分最高的 5 个 药物 - 靶标相互作用数据,且得知标准数据集中已知的药物 - 靶标相互作用数据绝大部分出现在预测集的前 20% 中,91% 以上出现在预测集的前 50% 中。这个结果表明,LLGC 能有效预测药物与靶标之间的潜在关联。