English
Prediction of drug-target interaction by label propagation with mutual interaction informationderived from heterogeneous network
文件大小：
1585k
资源说明：### 药物靶标相互作用预测：基于异构网络的标签传播与互信息方法
#### 研究背景及意义
药物靶标相互作用（Drug-Target Interaction, DTI）预测是药物发现和功能重定位领域的重要研究方向。通过准确预测DTI，不仅能加深对蛋白质功能的理解，还能为新药开发提供有力支持。传统的实验方法虽然可靠，但成本高昂且耗时较长，因此，发展高效、精确的计算模型变得尤为重要。
#### 关键技术与方法
本文提出了一种新的网络基于标签传播方法——LPMIHN（Label Propagation with Mutual Interaction Information from Heterogeneous Networks），该方法利用了异构网络中的互信息来预测潜在的药物靶标相互作用。
**1. 异构网络构建**
- **药物相似性网络**：基于药物的化学结构、副作用等信息构建；
- **靶标相似性网络**：根据蛋白质序列相似性、功能注释等构建；
- **已知DTI网络**：由已知的药物与靶标之间的相互作用组成。
**2. 标签传播算法**
- **初始标签信息设定**：对于靶标网络（或药物网络），其初始标签信息来源于药物网络（或靶标网络）以及已知的DTI信息。
- **独立标签传播**：在药物相似性和靶标相似性网络中分别进行标签传播，挖掘每个网络内部的聚类结构。
- **互信息整合**：将另一个网络的标签信息整合进来，捕捉不同网络之间节点对的相互作用（即双聚类结构）。
**3. 评价指标**
采用多种评价指标评估预测性能，包括：
- **ROC曲线下的面积（AUC）**：衡量分类器的整体性能。
- **PR曲线下的面积（AUPR）**：特别适用于正负样本不平衡的情况。
- **准确性、精确率、召回率**等其他标准评价指标。
#### 实验结果与分析
- 在四个流行的二元DTI基准数据集和两个定量激酶生物活性数据集上进行了实验验证。
- LPMIHN方法相较于其他最先进的算法，在AUC和AUPR方面表现最优。
- 预测出的许多有前景的DTI也在最新的公共数据库如ChEMBL、KEGG、SuperTarget和DrugBank中得到了验证。
#### 结论与展望
LPMIHN方法充分利用了异构网络中的信息，并通过标签传播算法有效地捕获了药物和靶标之间的相互作用。这种方法不仅提高了预测的准确性，而且展示了在实际应用中的巨大潜力，尤其是在药物发现和功能重定位方面。未来的研究可以进一步探索更多类型的异构网络信息，优化标签传播过程，以及开发更高效的算法来处理大规模数据集，从而推动药物研发的进步。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
