view in publisher's site

Drug-Target Interaction Prediction in Drug Repositioning Based on Deep Semi-Supervised Learning

Drug repositioning or repurposing refers to identifying new indications for existing drugs and clinical candidates. Predicting new drug-target interactions (DTIs) is of great challenge in drug repositioning. This tricky task depends on two aspects. The volume of data available on drugs and proteins is growing in an exponential manner. The known interacting drug-target pairs are very scarce. Besides, it is hard to select the negative samples because there are not experimentally verified negative drug-target interactions. Many computational methods have been proposed to address these problems. However, they suffer from the high rate of false positive predictions leading to biologically interpretable errors. To cope with these limitations, we propose in this paper an efficient computational method based on deep semi-supervised learning (DeepSS-DTIs) which is a combination of a stacked autoencoders and a supervised deep neural network. The objective of this approach is to predict potential drug targets and new drug indications by using a large scale chemogenomics data while improving the performance of DTIs prediction. Experimental results have shown that our approach outperforms state-of-the-art techniques. Indeed, the proposed method has been compared to five machine learning algorithms applied all on the same reference datasets of DrugBank. The overall accuracy performance is more than 98%. In addition, the DeepSS-DTIs has been able to predict new DTIs between approved drugs and targets. The highly ranked candidate DTIs obtained from DeepSS-DTIs are also verified in the DrugBank database and in literature.

پیش‌بینی تعامل با مواد مخدر در repositioning با مواد مخدر مبتنی بر یادگیری عمیق نیمه Supervised

تغییر مجدد مواد مخدر یا repurposing به شناسایی نشانه‌های جدیدی برای داروهای موجود و کاندیدهای بالینی اشاره دارد. پیش‌بینی تعاملات جدید مواد مخدر (dtis)چالش بزرگی در تغییر مجدد مواد مخدر است. این وظیفه دشوار به دو جنبه بستگی دارد. حجم داده‌های موجود در مواد مخدر و پروتیین‌ها به صورت نمایی رشد می‌کنند. زوج‌های معروف به مواد مخدر در ارتباط با مواد مخدر بسیار کمیاب هستند. علاوه بر این، انتخاب نمونه‌های منفی دشوار است چرا که به طور تجربی تعاملات منفی مواد مخدر را تایید نکرده اند. بسیاری از روش‌های محاسباتی برای پرداختن به این مشکلات پیشنهاد شده‌اند. با این حال، آن‌ها از نرخ بالای پیش‌بینی‌های مثبت کاذب که منجر به خطاهای قابل تفسیر بیولوژیکی می‌شوند، رنج می‌برند. برای مقابله با این محدودیت‌ها، ما در این مقاله یک روش محاسباتی کارآمد مبتنی بر یادگیری عمیق تحت نظارت (DeepSS - dtis)را پیشنهاد می‌کنیم که ترکیبی از یک autoencoders و یک شبکه عصبی عمیق تحت نظارت است. هدف از این روش پیش‌بینی اهداف بالقوه مواد مخدر و نشانه‌های جدید مواد مخدر با استفاده از یک داده chemogenomics مقیاس بزرگ در حین بهبود عملکرد پیش‌بینی dtis است. نتایج تجربی نشان داده‌اند که رویکرد ما عملکرد بهتری نسبت به تکنیک‌های پیشرفته هنری دارد. در واقع، روش پیشنهادی با پنج الگوریتم یادگیری ماشین در مقایسه با مجموعه داده‌های مرجع same مقایسه شده‌است. کارایی کلی دقت بیش از ۹۸ % است. علاوه بر این، DeepSS - dtis قادر به پیش‌بینی dtis جدید بین مواد مخدر و اهداف تایید شده بوده‌است. The های کاندید بالایی که از DeepSS - dtis بدست‌آمده اند نیز در پایگاه‌داده DrugBank و در نوشته‌ها مشاهده می‌شوند.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.