)其中，Precisioni和

Recall在處理類別不平衡的數(shù)據(jù)集時(shí)特別有用，因?yàn)樗軌蚋玫胤从衬Ｐ驮谏贁?shù)類上的性能。在許多實(shí)際應(yīng)用中，例如疾病診斷、欺詐檢測(cè)和藥物-靶標(biāo)相互作用預(yù)測(cè)，正類（例如疾病陽性、欺詐行為、有效的藥物-靶標(biāo)對(duì)）往往遠(yuǎn)少于負(fù)類。在這種情況下，AUPR比AUROC更能準(zhǔn)確地評(píng)估模型的性能，因?yàn)樗紤]了正類樣本的相對(duì)重要性。實(shí)驗(yàn)結(jié)果我們的比較結(jié)果顯示，DPPM的表現(xiàn)一直優(yōu)于其他現(xiàn)有方法，大概是因?yàn)镠NM只使用原始擴(kuò)散狀態(tài)進(jìn)行預(yù)測(cè)，這并不完全準(zhǔn)確，而DTINet對(duì)擴(kuò)散狀態(tài)應(yīng)用了一種新的維度還原，因此能夠捕獲異構(gòu)網(wǎng)絡(luò)的潛在結(jié)構(gòu)屬性。表SEQ表\*ARABIC2方法比較結(jié)果表AUROCAUPRBLMNII0.540.68HNM0.70.73DPPM0.830.88由表2可知，與BLMNII[3]相比，DPPM實(shí)現(xiàn)了高29%的AUROC和高20%AUPR。與HNM[17]相比，DPPM實(shí)現(xiàn)了高13%的AUROC和高15%AUPR。圖SEQ圖\*ARABIC6模型預(yù)測(cè)效果比較圖該圖將BLMNII，HNM和DPPM進(jìn)行比較，結(jié)果顯示DPPM的預(yù)測(cè)的效果優(yōu)于其余兩種方法。最初收集的數(shù)據(jù)集可能包含同源蛋白質(zhì)或類似藥物，這引起了潛在的擔(dān)憂，即預(yù)測(cè)方法的良好性能可能來自簡(jiǎn)單的預(yù)測(cè)。為了解決這個(gè)問題，我們進(jìn)行了以下額外測(cè)試：去除涉及同源蛋白的DTI（序列身份評(píng)分>40%）；去除含有類似藥物的DTI（Tanimoto系數(shù)>60%）；去除具有類似副作用的藥物的DTIs（Jaccard相似性評(píng)分>60%）；用與類似疾病相關(guān)的藥物或蛋白質(zhì)去除DTIs（Jaccard相似性評(píng)分>60%）；在上述測(cè)試中，去除操作可以進(jìn)一步減少DTI的潛在冗余，上述設(shè)置下的測(cè)試結(jié)果表明，DPPM在訓(xùn)練數(shù)據(jù)中對(duì)去除同源蛋白質(zhì)或類似藥物具有很強(qiáng)的作用，并且仍然始終優(yōu)于其他方法。這些結(jié)果表明，即使沒有類似的藥物或目標(biāo)，DPPM仍然有有效的作用并優(yōu)于其他預(yù)測(cè)方法。AUROCAUPRBLMNII0.60.64HNM0.680.74DPPM0.780.83AUROCAUPRBLMNII0.650.66HNM0.740.81DPPM0.820.86表SEQ表\*ARABIC3去除涉及同源蛋白的DTI表SEQ表\*ARABIC4去除含有類似藥物的DTIAUROCAUPRBLMNII0.670.72HNM0.750.8DPPM0.840.86表SEQ表\*ARABIC5去除具有類似副作用的藥物的DTIs表SEQ表\*ARABIC6用與類似疾病相關(guān)的藥物或蛋白質(zhì)去除DTIsAUROCAUPRBLMNII0.660.68HNM0.730.8DPPM0.810.87由表3可知，DPPM與BLMNII相比，DPPM實(shí)現(xiàn)了高18%的AUROC和高19%AUPR。DPPM與HNM相比，DPPM實(shí)現(xiàn)了高10%的AUROC和高9%AUPR。由表4可知，DPPM與BLMNII相比，DPPM實(shí)現(xiàn)了高17%的AUROC和高20%AUPR。DPPM與HNM相比，DPPM實(shí)現(xiàn)了高8%的AUROC和高5%AUPR。由表5可知，DPPM與BLMNII相比，DPPM實(shí)現(xiàn)了高15%的AUROC和高19%AUPR。DPPM與HNM相比，DPPM實(shí)現(xiàn)了高8%的AUROC和高7%AUPR。由表6可知，DPPM與BLMNII相比，DPPM實(shí)現(xiàn)了高17%的AUROC和高14%AUPR。DPPM與HNM相比，DPPM實(shí)現(xiàn)了高9%的AUROC和高6%AUPR。消融實(shí)驗(yàn)在DPPM中用隨機(jī)游走替代圖卷積神經(jīng)網(wǎng)絡(luò)后進(jìn)行對(duì)比，用平均池化替代圖注意力機(jī)制后進(jìn)行對(duì)比。對(duì)比結(jié)果如下。表SEQ表\*ARABIC7消融實(shí)驗(yàn)結(jié)果圖AUROCAUPRDPPM*0.680.71DPPM**0.70.73DPPM0.830.88由表7可以得到DPPM與DPPM*（隨機(jī)游走）相比，DPPM實(shí)現(xiàn)了高15%的AUROC和高17%AUPR。DPPM與DPPM**（平均池化）相比，DPPM實(shí)現(xiàn)了高13%的AUROC和高15%AUPR。圖SEQ圖\*ARABIC7消融結(jié)果對(duì)比圖由圖7結(jié)果表明無論是采用圖卷積神經(jīng)網(wǎng)絡(luò)和圖注意力機(jī)制都可以提升預(yù)測(cè)性能。關(guān)系發(fā)現(xiàn)關(guān)系發(fā)現(xiàn)是指在大量數(shù)據(jù)中發(fā)現(xiàn)新的關(guān)系或模式的過程。這種發(fā)現(xiàn)可以是定性的，也可以是定量的，并且通常涉及到對(duì)數(shù)據(jù)的深入分析。在不同的領(lǐng)域和應(yīng)用中，關(guān)系發(fā)現(xiàn)具有不同的形式和目的。本文還使用整個(gè)異構(gòu)網(wǎng)絡(luò)（其中藥物和目標(biāo)至少有一個(gè)已知的相互作用對(duì)）預(yù)測(cè)了新的DTI作為訓(xùn)練數(shù)據(jù)，并輸出了頂級(jí)預(yù)測(cè)列表。我們從訓(xùn)練數(shù)據(jù)中的同源蛋白質(zhì)中排除了那些目標(biāo)序列身份得分高于40%的簡(jiǎn)單預(yù)測(cè)。在前150個(gè)預(yù)測(cè)列表中，本文發(fā)現(xiàn)其中許多預(yù)測(cè)也可以得到文獻(xiàn)中先前已知的實(shí)驗(yàn)或臨床證據(jù)的支持。圖SEQ圖\*ARABIC8關(guān)系圖方塊代表藥物，圓點(diǎn)代表不同的靶向。從圖中可以看出Nitrazepam、Estazolam、Chlordiazepoxide這三類藥物都與GLRA2有聯(lián)系，而這三類藥物同樣也與GABRG3、GABRB3、GABRG1等12類靶標(biāo)有聯(lián)系。而Clozapine與Thioridazine有關(guān)，它們同樣也存在相同的靶標(biāo)聯(lián)系。總結(jié)與展望5.1研究結(jié)論藥物-靶標(biāo)預(yù)測(cè)的現(xiàn)狀在近年來發(fā)生了顯著的變化。傳統(tǒng)的藥物研發(fā)依賴于對(duì)物理科學(xué)和生物科學(xué)的理解和經(jīng)驗(yàn)，這導(dǎo)致了藥物研發(fā)周期和成本的迅速膨脹。然而，計(jì)算機(jī)技術(shù)的發(fā)展為藥物研發(fā)帶來了顛覆性的變化，使得藥物發(fā)現(xiàn)從傳統(tǒng)的定制工藝轉(zhuǎn)變?yōu)橐环N更精簡(jiǎn)、可重復(fù)、數(shù)據(jù)驅(qū)動(dòng)的過程。這主要得益于計(jì)算機(jī)技術(shù)在藥物靶點(diǎn)發(fā)現(xiàn)、化合物篩選和成藥性預(yù)測(cè)等方面的應(yīng)用，從而大大提高了藥物研發(fā)的效率。本文研究了基于異構(gòu)網(wǎng)絡(luò)的藥物-靶標(biāo)相互作用預(yù)測(cè)方法，提出了一種名為DPPM的新模型。DPPM利用圖卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)異構(gòu)網(wǎng)絡(luò)中藥物、靶標(biāo)和疾病節(jié)點(diǎn)之間的關(guān)系特征，并通過圖注意力機(jī)制進(jìn)行信息融合。實(shí)驗(yàn)結(jié)果顯示，DPPM模型的預(yù)測(cè)準(zhǔn)確率明顯高于其他模型，并且在去除同源蛋白或類似藥物后仍然保持較高的準(zhǔn)確率。該研究表明，DPPM模型可以有效利用異構(gòu)網(wǎng)絡(luò)信息，為藥物-靶標(biāo)相互作用預(yù)測(cè)提供了新的思路。未來的研究方向包括進(jìn)一步提高模型的可解釋性以及拓展模型的應(yīng)用場(chǎng)景。

參考文獻(xiàn)WangC,KurganL.Surveyofsimilarity-basedpredictionofdrug-proteininteractions[J].Currentmedicinalchemistry,2020,27(35):5856-5886.Bleakley,K.&Yamanishi,Y.Supervisedpredictionofdrug–targetinteractionsusingbipartitelocalmodels.

Bioinformatics

25:2397–2403(2009).Mei,J.-P.,Kwoh,C.-K.,Yang,P.,Li,X.-L.&Zheng,J.Drug–targetinteractionpredictionbylearningfromlocalinformationandneighbors.

Bioinformatics29:238–245(2013).PerlmanL,GottliebA,AtiasN,etal.Combiningdrugandgenesimilaritymeasuresfordrug-targetelucidation[J].Journalofcomputationalbiology,2011,18(2):133-145.KastrinA,FerkP,Lesko?ekB.Predictingpotentialdrug-druginteractionsontopologicalandsemanticsimilarityfeaturesusingstatisticallearning[J].PloSone,2018,13(5):e0196865.MohamedSK,Nová?ekV,NounuA.Discoveringproteindrugtargetsusingknowledgegraphembeddings[J].Bioinformatics,2020,36(2):603-610.OlayanRS,AshoorH,BajicVB.DDR:efficientcomputationalmethodtopredictdrug–targetinteractionsusinggraphminingandmachinelearningapproaches[J].Bioinformatics,2018,34(7):1164-1173.FuG,DingY,SealA,etal.Predictingdrugtargetinteractionsusingmeta-path-basedsemanticnetworkanalysis[J].BMCbioinformatics,2016,17:1-10.WangW,YangS,ZhangX,etal.Drugrepositioningbyintegratingtargetinformationthroughaheterogeneousnetworkmodel[J].Bioinformatics,2014,30(20):2923-2930.鄧杰進(jìn).基于圖神經(jīng)網(wǎng)絡(luò)的藥物靶標(biāo)相互作用預(yù)測(cè)方法[D].大連海事大學(xué),2023.10.26989/ki.gdlhu.2023.000319.XieG,LiJ,GuG,etal.BGMSDDA:abipartitegraphdiffusionalgorithmwithmultiplesimilarityintegrationfordrug–diseaseassociationprediction[J].MolecularOmics,2021,17(6):997-1011.KimHU,RyuJY,LeeSY.DeepDDIforunderstandingpharmacologicaleffectsofnaturalproducts[C]//NaturalProducts-Discovery,BiosynthesisandApplication,CopenhagenBioscienceConferences.NovoNordiskFoundation,2019.HuangK,XiaoC,GlassLM,etal.SkipGNN:predictingmolecularinteractionswithskip-graphnetworks[J].Scientificreports,2020,10(1):21092.KishanKC,LiR,CuiF,etal.Predictingbiomedicalinteractionswithhigher-ordergraphconvolutionalnetworks.arXiv[J].arXivpreprintarXiv:2010.08516,2020.WangW,ZhouT,YuF,etal.Exploringcross-imagepixelcontrastforsemanticsegmentation[C]//ProceedingsoftheIEEE/CVFinternationalconferenceoncomputervision.2021:7303-7313.WangX,LiuN,HanH,etal.Self-supervisedheterogeneousgraphneuralnetworkwithco-contrastivelearni