ارائه روش ترکیبی یادگیری عمیق برای پیش‌بینی تعامل دارو-هدف با استفاده از خودرمزگذارها

شناسایی تعامل‌ دارو-هدف، یک مرحله مهم در فرآیند کشف دارو است. شناسایی تعامل دارو-هدف از طریق روش‌های آزمایشگاهی کاری پرهزینه، دشوار و زمان‌بر است. روش‌های محاسباتی می‌توانند با پیشنهاد داروهای بالقوه‌ای که پیش‌تر در آزمایش‌های آزمایشگاهی اعتبارسنجی شده‌اند، فضای جستجو را کاهش دهند. امروزه، روش‌های مبتنی بر یادگیری عمیق در پیش‌بینی تعامل دارو-هدف بیشتر مورد توجه قرار گرفته‌ است. از آنجایی که ماتریس تعامل دارو-هدف اغلب بسیار پراکنده است، عملکرد پیش‌بینی تعامل دارو-هدف در روش‌های مبتنی بر یادگیری عمیق به شدت کاهش می‌‌یابد. از این‌رو، برخی از روش‌های یادگیری عمیق از اطلاعات جانبی بهره می‌برند تا مشکل پراکنده بودن ماتریس تعامل را برطرف کنند. در این مقاله، رویکرد جدیدی با کمک ماتریس‌ شباهت دارو-دارو، ماتریس‌ شباهت هدف-هدف و خودرمزگذارها، برای پیش‌بینی تعامل دارو-هدف پیشنهاد می‌کنیم که به طور همزمان عوامل پنهان داروها و اهداف را از ماتریس‌ ویژگی دارو، ماتریس ویژگی هدف و ماتریس تعامل فرا می‌گیرد. روش پیشنهادی از دو مرحله تشکیل شده است: پیش‌پردازش ماتریس تعامل به کمک ماتریس‌های شباهت و مدل ترکیبی یادگیری عمیق. روش پیشنهادی نشان می‌دهد که نتایج آزمایش‌های حاصل روی معیارهای aupr و auc پس از اجرای پنج بار تکرار اعتبارسنجی متقابل ده‌فولدی، روی مجموعه‌داده یامانیشی بهتر از روش‌های موجود پیش‌بینی می‌کند.

a deep hybrid approach for drug-target interaction prediction using autoencoders

abstract: drug–target interaction (dti) identification is a crucial step in the drug discovery process. experimental identification of dtis is often costly, time-consuming, and labor-intensive. computational approaches can help reduce the search space by suggesting potential drug candidates that have been previously validated through laboratory experiments. recently, deep learning–based methods have attracted considerable attention for dti prediction. however, since the drug–target interaction matrix is often highly sparse, the performance of deep learning–based models tends to decline significantly. to address this issue, some deep learning methods incorporate auxiliary information to mitigate the sparsity problem. in this paper, we propose a novel approach for dti prediction that leverages drug–drug similarity, target–target similarity, and autoencoders to simultaneously learn the latent factors of drugs and targets from drug feature matrices, target feature matrices, and the interaction matrix. the proposed method consists of two main stages: preprocessing the interaction matrix using similarity matrices, and a hybrid deep learning model. experimental results on the yamanishi dataset demonstrate that our method outperforms existing dti prediction approaches in terms of aupr and auc metrics, based on five repeated ten-fold cross-validation experiments.