MOKPE: drug-target interaction prediction via manifold optimization based kernel preserving embedding.
MOKPE: drug-target interaction prediction via manifold optimization based kernel preserving embedding.
复制标题
DOI：
10.1186/s12859-023-05401-1
复制
发表时间：
2023-07-05
影响因子：
3
通讯作者：
中科院分区：
文献类型：
--
作者：
在生物信息学的许多应用中，数据来自不同的异构源。众所周知的例子之一是药物-靶标相互作用（DTI）的识别，这在药物发现中非常重要。在本文中，我们提出了一种新颖的框架——基于流形优化的核保留嵌入（MOKPE），以有效解决异构数据建模问题。我们的模型通过同时保留药物-靶标相互作用以及药物-药物、靶标-靶标相似性，将异构药物和靶标数据投影到统一的嵌入空间中。我们对四个不同的药物-靶标相互作用网络数据集进行了十次十倍交叉验证的重复，以预测以前未见过的药物的 DTI。与之前基于相似性的最先进方法相比，分类评估指标显示出更好或相当的性能。我们还评估了 MOKPE 预测给定网络的未知 DTI 的能力。我们在 R 中实现的建议算法以及复制报告实验的脚本可在 https://github.com/ocbinatli/mokpe 上公开获取。
In many applications of bioinformatics, data stem from distinct heterogeneous sources. One of the well-known examples is the identification of drug–target interactions (DTIs), which is of significant importance in drug discovery. In this paper, we propose a novel framework, manifold optimization based kernel preserving embedding (MOKPE), to efficiently solve the problem of modeling heterogeneous data. Our model projects heterogeneous drug and target data into a unified embedding space by preserving drug–target interactions and drug–drug, target–target similarities simultaneously. We performed ten replications of ten-fold cross validation on four different drug–target interaction network data sets for predicting DTIs for previously unseen drugs. The classification evaluation metrics showed better or comparable performance compared to previous similarity-based state-of-the-art methods. We also evaluated MOKPE on predicting unknown DTIs of a given network. Our implementation of the proposed algorithm in R together with the scripts that replicate the reported experiments is publicly available at https://github.com/ocbinatli/mokpe.
登录
查看更多内容
影响因子：
9.5
作者：
Hao, Ming;Bryant, Stephen H.;Wang, Yanli
通讯作者：
Wang, Yanli
影响因子：
2.7
作者：
Huang, Wen;Absil, P-A;Hand, Paul
通讯作者：
Hand, Paul
DOI：
10.1109/access.2020.3024238
发表时间：
2020
期刊：
IEEE access : practical innovations, open solutions
影响因子：
--
作者：
Abdel-Basset M;Hawash H;Elhoseny M;Chakrabortty RK;Ryan M
通讯作者：
Ryan M
影响因子：
9.5
作者：
Ezzat, Ali;Wu, Min;Kwoh, Chee-Keong
通讯作者：
Kwoh, Chee-Keong
影响因子：
9.5
作者：
Bagherian M;Sabeti E;Wang K;Sartor MA;Nikolovska-Coleska Z;Najarian K
通讯作者：
Najarian K