ارائه روش ترکیبی یادگیری عمیق برای پیش بینی تعامل دارو-هدف با استفاده از خود رمزگذارها

شناسایی تعامل دارو-هدف یک مرحله مهم در فرآیند کشف دارو است. شناسایی تعامل دارو-هدف از طریق روش های آزمایشگاهی کاری پرهزینه، دشوار و زمان بر است. روش های محاسباتی می توانند با پیشنهاد داروهای بالقوه ای که پیشتر در آزمایش های آزمایشگاهی اعتبارسنجی شده اند فضای جستجو را کاهش دهند. امروزه روش های مبتنی بر یادگیری عمیق در پیش بینی تعامل دارو-هدف بیشتر مورد توجه قرار گرفته است. از آنجایی که ماتریس تعامل دارو-هدف اغلب بسیار پراکنده است عملکرد پیش بینی تعامل دارو-هدف در روش های مبتنی بر یادگیری عمیق به شدت کاهش می یابد. از این رو برخی از روش های یادگیری عمیق از اطلاعات جانبی بهره می برند 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 خود رمزگذارها برای پیش بینی تعامل دارو-هدف پیشنهاد می کنیم که به طور همزمان عوامل پنهان داروها و اهداف را از ماتریس ویژگی دارو، ماتریس ویژگی هدف و ماتریس تعامل فرا می گیرد. روش پیشنهادی از دو مرحله تشکیل شده است: پیش پردازش ماتریس تعامل به کمک ماتریس های شباهت و مدل ترکیبی یادگیری عمیق. روش پیشنهادی نشان می دهد که نتایج آزمایش های حاصل روی معیارهای AUPR و AUC پس از اجرای پنج بار تکرار اعتبارسنجی متقابل ده فولد روی مجموعه داده یامانیشی بهتر از روش های موجود پیش بینی می کند.

کلیدواژه ها:

پیش بینی تعامل ها ، دارو ، هدف ، یادگیری عمیق ، خود رمزگذار