通过链接预测和网络嵌入发现新的药物-靶点相互作用
Elmira Amiri Souri, Roman Laddach, Sophia N. Karagiannis, Lazaros G. Papageorgiou, Sophia Tsoka 等学者 - 2022年4月4日 - BMC Bioinformatics
- 第23卷，第1期
摘要：
研究背景 随着化学空间与基因组空间之间大量相互作用尚未被发现，研究人员广泛采用计算方法加速药物开发并降低实验成本。预测新型药物-靶点相互作用（DTIs）可通过为已获批药物发现新靶点来推动药物再定位。然而，构建能够高效整合化学与基因组空间的高精度计算框架仍面临重大挑战，主要困难在于现有方法普遍缺乏实验验证的负样本或靶点三维结构数据。
研究方法 本研究提出DT2Vec预测框架，该方法结合图嵌入技术与梯度提升树分类模型，通过将药物-药物和蛋白质-蛋白质相似性网络映射为低维特征向量，将DTI预测转化为二分类任务。具体而言，通过拼接药物与靶点的嵌入向量作为输入特征进行预测。
研究结果 DT2Vec在标准基准数据集上与三种主流图相似性算法对比显示竞争力。通过整合ChEMBL数据库中包含实验验证正负样本的高质量数据，模型成功筛选出可信的新型DTIs，并通过分子对接实验验证部分预测结果。研究进一步通过案例分析展示了该方法在药物再定位中的应用潜力。
研究结论 DT2Vec创新性地实现了化学与基因组空间的低维向量映射，在预测新型药物-靶点相互作用方面表现出优异性能，为药物再定位提供了可扩展的计算工具。
【全文结束】
