自适应球形演化的药物-靶标相互作用预测方法

doi:10.11772/j.issn.1001-9081.2023070929

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 989-994.DOI: 10.11772/j.issn.1001-9081.2023070929

所属专题：前沿与综合应用

• 前沿与综合应用 • 上一篇

自适应球形演化的药物-靶标相互作用预测方法

刘一迪¹, 温自豪², 任富香¹, 李诗音¹, 唐德玉¹^,³()

^1.广东药科大学医药信息工程学院, 广州 510006
^2.莫纳什大学信息技术学院, 澳大利亚墨尔本 3800
^3.华南农业大学数学与信息学院、软件学院, 广州 510640

收稿日期:2023-07-12 修回日期:2023-09-19 接受日期:2023-09-20 发布日期:2023-10-26 出版日期:2024-03-10
通讯作者: 唐德玉
作者简介:刘一迪（1999—），女，河南驻马店人，硕士研究生，主要研究方向：药物发现、机器学习
温自豪（1990—），男，广东广州人，博士研究生，主要研究方向：机器学习、人工智能
任富香（1999—），女，山东日照人，硕士研究生，主要研究方向：疾病发现、机器学习
李诗音（2000—），女，辽宁阜新人，硕士研究生，主要研究方向：疾病发现、机器学习；
基金资助:
国家自然科学基金资助项目(F060107);广东省自然科学基金资助项目(2020A1515010783)

Self-adaptive spherical evolution for prediction of drug target interaction

Yidi LIU¹, Zihao WEN², Fuxiang REN¹, Shiyin LI¹, Deyu TANG¹^,³()

^1.College of Medical Information Engineering，Guangdong Pharmaceutical University，Guangzhou Guangdong 510006，China
^2.Faculty of Information Technology，Monash University，Melbourne 3800，Australia
^3.College of Mathematics and Informatics，College of Software Engineering，South China Agricultural University，Guangzhou Guangdong 510640，China

Received:2023-07-12 Revised:2023-09-19 Accepted:2023-09-20 Online:2023-10-26 Published:2024-03-10
Contact: Deyu TANG
About author:LIU Yidi， born in 1999， M. S. candidate. Her research interests include drug discovery， machine learning.
WEN Zihao， born in 1990， Ph. D. candidate. His research interests include machine learning， artificial intelligence.
REN Fuxiang， born in 1999， M. S. candidate. Her research interests include disease discovery， machine learning.
LI Shiyin， born in 2000， M. S. candidate. Her research interests include disease discovery， machine learning.
Supported by:
National Natural Science Foundation of China(F060107);Natural Science Foundation of Guangdong Province(2020A1515010783)

摘要/Abstract

摘要：

相较于传统药物的研发，药物-靶标的预测方法能够有效降低成本，加快研发进程，但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此，提出一种自适应球形演化的药物-靶标相互作用预测方法ASE-KELM（self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine）。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本；并且为了解决球形演化算法易陷入局部最优的问题，利用搜索因子历史记忆的反馈机制及群大小线性递减的策略（LPSR），实现全局搜索和局部搜索的平衡，提高算法的寻优能力；然后利用自适应球形演化算法对核极限学习机（KELM）的参数进行优化。在基于黄金标准的数据集上将ASE-KELM与NetLapRLS（Network Laplacian Regularized Least Square）、BLM-NII（Bipartite Local Model with Neighbor-based Interaction profile Inferring）等算法进行对比，验证算法的性能。实验结果表明，在酶（E）、G-蛋白偶联受体（GPCR）、离子通道（IC）和核受体（NR）数据集中，ASE-KELM的ROC曲线下面积（AUC）与PR曲线下面积（AUPR）均优于对比算法；且基于DrugBank等数据库，ASE-KELM在预测新药物-靶标对的验证过程中表现良好。

关键词: 球形搜索, 核极限学习机, 药物-靶标相互作用, 药物发现, 自适应

Abstract:

Drug-target prediction method can effectively reduce costs and accelerate research process compared with traditional drug discovery. However， there are various challenges such as low balance of datasets and low precision of prediction in practical applications. Therefore， a drug-target interaction prediction method based on self-adaptive spherical evolution was proposed， namely ASE-KELM （self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine）. By the method， negative samples with high confidence were selected based on the principle that drugs with similar structures are likely to interact with targets. And to solve the problem that spherical evolution algorithm tends to fall into local optima， the feedback mechanism of historical memory of search factors and Linear Population Size Reduction （LPSR） were used to balance global and local search， which improved the optimization ability of the algorithm. Then the parameters of Kernel Extreme Learning Machine （KELM） were optimized by the self-adaptive spherical evolution algorithm. ASE-KELM was compared with algorithms such as NetLapRLS （Network Laplacian Regularized Least Square） and BLM-NII （Bipartite Local Model with Neighbor-based Interaction profile Inferring） on gold standard based datasets to verify the performance of the algorithms. Experimental results show that ASE-KELM outperforms comparison algorithms in AUC （Area Under the receiver operating Characteristic curve） and AUPR （Area Under the Precision-Recall curve） for the Enzyme （E）， G-Protein-Coupled Receptor （GPCR）， Ion Channel （IC）， and Nuclear Receptor （NR） datasets. And the effectiveness of ASE-KELM in predicting new drug-target pairs was validated on databases such as DrugBank.

Key words: spherical search, Kernel Extreme Learning Machine (KELM), drug-target interaction, drug discovery, self-adaptive

中图分类号:

TP39

刘一迪, 温自豪, 任富香, 李诗音, 唐德玉. 自适应球形演化的药物-靶标相互作用预测方法[J]. 计算机应用, 2024, 44(3): 989-994.

Yidi LIU, Zihao WEN, Fuxiang REN, Shiyin LI, Deyu TANG. Self-adaptive spherical evolution for prediction of drug target interaction[J]. Journal of Computer Applications, 2024, 44(3): 989-994.

图/表 4

参考文献 34

1	DUDLEY J T， DESHPANDE T， BUTTE A J. Exploiting drug-disease relationships for computational drug repositioning ［J］. Briefings in Bioinformatics， 2011， 12（4）： 303-311. 10.1093/bib/bbr013
2	GANOTRA G K， WADE R C. Prediction of drug-target binding kinetics by comparative binding energy analysis ［J］. ACS Medicinal Chemistry Letters， 2018， 9（11）： 1134-1139. 10.1021/acsmedchemlett.8b00397
3	CHEN R， LIU X， JIN S， et al. Machine learning for drug-target interaction prediction ［J］. Molecules， 2018， 23（9）： 2208. 10.3390/molecules23092208
4	PESKA L， BUZA K， KOLLER J. Drug-target interaction prediction： a Bayesian ranking approach ［J］. Computer Methods and Programs in Biomedicine， 2017， 152： 15-21. 10.1016/j.cmpb.2017.09.003
5	YAMANISHI Y， ARAKI M， GUTTERIDGE A， et al. Prediction of drug-target interaction networks from the integration of chemical and genomic spaces ［J］. Bioinformatics， 2008， 24（13）： i232-i240. 10.1093/bioinformatics/btn162
6	LÜ L， ZHOU T. Link prediction in complex networks： a survey ［J］. Physica A： Statistical Mechanics and its Applications， 2011， 390（6）： 1150-1170. 10.1016/j.physa.2010.11.027
7	曾煜妮.面向药物-靶标相互作用预测的多特征学习方法［D］.成都：四川大学，2021：83-86.
	ZENG Y N. Multi-feature learning approaches for drug-target interaction prediction ［D］. Chengdu： Sichuan University， 2021： 83-86.
8	LI Y， LIU X-Z， YOU Z-H， et al. A computational approach for predicting drug-target interactions from protein sequence and drug substructure fingerprint information ［J］. International Journal of Intelligent Systems， 2021， 36（1）： 593-609. 10.1002/int.22332
9	ZHANG R， DING Y. Identification of key features of CNS drugs based on SVM and greedy algorithm ［J］. Current Computer-Aided Drug Design， 2020， 16（6）： 725-733. 10.2174/1573409915666191212095340
10	腾讯科技（深圳）有限公司，上海交通大学.药物与靶标的相互作用预测方法、装置、设备及存储介质： CN201910722794.5 ［P］. 2019-11-05.
	Tencent Technology （Shenzhen） Company Limited， Shanghai Jiao Tong University. Drug-target interaction prediction methods， devices， and storage media： CN201910722794.5 ［P］. 2019-11-05.
11	SHARMA A， RANI R. BE-DTI'： ensemble framework for drug target interaction prediction using dimensionality reduction and active learning ［J］. Computer Methods and Programs in Biomedicine， 2018， 165： 151-162. 10.1016/j.cmpb.2018.08.011
12	SHANG Y， GAO L， ZOU Q， et al. Prediction of drug-target interactions based on multi-layer network representation learning ［J］. Neurocomputing， 2021， 434： 80-89. 10.1016/j.neucom.2020.12.068
13	SHI H， LIU S， CHEN J， et al. Predicting drug-target interactions using Lasso with random forest based on evolutionary information and chemical structure ［J］. Genomics， 2019， 111（6）： 1839-1852. 10.1016/j.ygeno.2018.12.007
14	NIU Y Q. Supervised prediction of drug-target interactions by ensemble learning ［J］. Journal of Chemical and Pharmaceutical Research， 2014， 6（7）： 1991-1999.
15	CHEN H， ZHANG Z. A semi-supervised method for drug-target interaction prediction with consistency in networks ［J］. PLoS ONE， 2013， 8（5）： e62975. 10.1371/journal.pone.0062975
16	MEI J-P， C-K KWOH， YANG P， et al. Drug-target interaction prediction by learning from local information and neighbors ［J］. Bioinformatics， 2013， 29（2）： 238-245. 10.1093/bioinformatics/bts670
17	VAN LAARHOVEN T， MARCHIORI E. Predicting drug-target interactions for new drug compounds using a weighted nearest neighbor profile ［J］. PLoS ONE， 2013， 8（6）： e66952. 10.1371/journal.pone.0066952
18	TANG D. Spherical evolution for solving continuous optimization problems ［J］. Applied Soft Computing， 2019， 81： 105499. 10.1016/j.asoc.2019.105499
19	PIOTROWSKI A P. L-SHADE optimization algorithms with population-wide inertia ［J］. Information Sciences， 2018， 468： 117-141. 10.1016/j.ins.2018.08.030
20	HUANG G-B， ZHU Q-Y， C-K SIEW. Extreme learning machine： a new learning scheme of feedforward neural networks ［C］// Proceedings of the 2004 IEEE International Joint Conference on Neural Networks. Piscataway： IEEE， 2004， 2： 985-990.
21	HUANG G-B， ZHOU H， DING X， et al. Extreme learning machine for regression and multiclass classification ［J］. IEEE Transactions on Systems， Man， and Cybernetics， Part B （Cybernetics）， 2012， 42（2）： 513-529. 10.1109/tsmcb.2011.2168604
22	KANEHISA M， GOTO S， HATTORI M， et al. From genomics to chemical genomics： new developments in KEGG ［J］. Nucleic Acids Research， 2006， 34（Database issue）： D354-D357. 10.1093/nar/gkj102
23	SCHOMBURG I， CHANG A， EBELING C， et al. BRENDA， the enzyme database： updates and major new developments ［J］. Nucleic Acids Research， 2004， 32（Database issue）： D431-D433. 10.1093/nar/gkh081
24	GÜNTHER S， KUHN M， DUNKEL M， et al. SuperTarget and Matador： resources for exploring drug-target relationships ［J］. Nucleic Acids Research， 2007， 36（Database issue）： D919-D922. 10.1093/nar/gkm862
25	WISHART D S， KNOX C， GUO A C， et al. DrugBank： a knowledgebase for drugs， drug actions and drug targets ［J］. Nucleic Acids Research， 2008， 36（Database issue）： D901-D906. 10.1093/nar/gkm958
26	MOHAMED S K， NOVÁČEK V， NOUNU A. Discovering protein drug targets using knowledge graph embeddings ［J］. Bioinformatics， 2020， 36（2）： 603-610. 10.1093/bioinformatics/btz600
27	XIA Z， WU L-Y， ZHOU X， et al. Semi-supervised drug-protein interaction prediction from heterogeneous biological spaces ［J］. BMC Systems Biology， 2010， 4（）： S6. 10.1186/1752-0509-4-s2-s6
28	KEUM J， NAM H. SELF-BLM： prediction of drug-target interactions via self-training SVM ［J］. PLoS ONE， 2017， 12（2）： e0171839. 10.1371/journal.pone.0171839
29	XIA L-Y， YANG Z-Y， ZHANG H， et al. Improved prediction of drug-target interactions using self-paced learning with collaborative matrix factorization ［J］. Journal of Chemical Information and Modeling， 2019， 59（7）： 3340-3351. 10.1021/acs.jcim.9b00408
30	LIU S， AN J， ZHAO J， et al. Drug-target interaction prediction based on multisource information weighted fusion ［J］. Contrast Media & Molecular Imaging， 2021， 2021： 6044256. 10.1155/2021/6044256
31	胡苓芝，傅城州，蔡永铭，等.球形演化极限学习机在药物-靶标相互作用智能预测中的应用［J］.华南师范大学学报（自然科学版），2023，55（1）：121-128. 10.1186/s12859-023-05153-y
	HU L Z， FU C Z， CAI Y M， et al. Application of spherical evolution extreme learning machine in intelligent prediction of drug target interaction ［J］. Journal of South China Normal University （Natural Science Edition）， 2023， 55（1）： 121-128. 10.1186/s12859-023-05153-y
32	LAYTON A. The use of isotretinoin in acne ［J］. Dermato-Endocrinology， 2009， 1（3）： 162-169. 10.4161/derm.1.3.9364
33	YE P， YAMASHITA T， POLLOCK D M， et al. Contrasting effects of eplerenone and spironolactone on adrenal cell steroidogenesis ［J］. Hormone and Metabolic Research， 2009， 41（1）： 35-39. 10.1055/s-0028-1087188
34	BENTEL J M， BIRRELL S N， PICKERING M A， et al. Androgen receptor agonist activity of the synthetic progestin， medroxyprogesterone acetate， in human breast cancer cells ［J］. Molecular and Cellular Endocrinology， 1999， 154（1/2）： 11-20. 10.1016/s0303-7207(99)00109-4

数据集	药物数	靶蛋白数	DTI	负样本	P2N/%
E	445	664	2 926	292 554	1.00
GPCR	223	95	635	20 550	3.03
IC	210	204	1 476	41 364	3.57
NR	54	26	90	1 314	6.67

数据集	药物数	靶蛋白数	DTI	负样本	P2N/%
E	445	664	2 926	292 554	1.00
GPCR	223	95	635	20 550	3.03
IC	210	204	1 476	41 364	3.57
NR	54	26	90	1 314	6.67

指标	算法	E	GPCR	IC	NR
AUC	ASE-KELM	0.999	0.998	0.999	0.993
	NetLapRLS	0.969	0.904	0.956	0.844
	BLM-NII	0.985	0.966	0.984	0.917
	SELF-BLM	0.860	0.894	0.925	0.773
	SPLCMF	0.970	0.942	0.981	0.828
	WNN-GIP	0.964	0.944	0.959	0.901
	SEELM	0.905	0.972	0.964	0.977
AUPR	ASE-KELM	0.999	0.998	0.999	0.995
	NetLapRLS	0.786	0.617	0.820	0.463
	BLM-NII	0.869	0.709	0.909	0.701
	SELF-BLM	0.639	0.599	0.744	0.457
	SPLCMF	0.881	0.754	0.938	0.533
	WNN-GIP	0.706	0.520	0.717	0.589
	SEELM	0.910	0.981	0.970	0.983

指标	算法	E	GPCR	IC	NR
AUC	ASE-KELM	0.999	0.998	0.999	0.993
	NetLapRLS	0.969	0.904	0.956	0.844
	BLM-NII	0.985	0.966	0.984	0.917
	SELF-BLM	0.860	0.894	0.925	0.773
	SPLCMF	0.970	0.942	0.981	0.828
	WNN-GIP	0.964	0.944	0.959	0.901
	SEELM	0.905	0.972	0.964	0.977
AUPR	ASE-KELM	0.999	0.998	0.999	0.995
	NetLapRLS	0.786	0.617	0.820	0.463
	BLM-NII	0.869	0.709	0.909	0.701
	SELF-BLM	0.639	0.599	0.744	0.457
	SPLCMF	0.881	0.754	0.938	0.533
	WNN-GIP	0.706	0.520	0.717	0.589
	SEELM	0.910	0.981	0.970	0.983

药物编号	药物名称	靶标编号	靶标名称
D00348	Isotretinoin/Absorica/Accutane/Sotret	hsa5916	Retinoic Acid Receptor Gamma
D00143	Pregnenolone	hsa5241	Progesterone Receptor
D01689	Loteprednol etabonate/Lotemax	hsa5241	Progesterone Receptor
D00443	Spironolactone/Aldactone	hsa5241	Progesterone Receptor
D01217	Dydrogesterone/Duphaston/Gynorest	hsa367	Androgen Receptor
D00951	Medroxyprogesterone acetate/Depo-provera/Depo-subq provera 104/Provera	hsa367	Androgen Receptor
D00066	Progesterone/Crinone/Prometrium	hsa367	Androgen Receptor

自适应球形演化的药物-靶标相互作用预测方法

Self-adaptive spherical evolution for prediction of drug target interaction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 34

相关文章 15

编辑推荐

Metrics

[1]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[2]	姚光磊, 熊菊霞, 杨国武. 基于神经网络优化的花朵授粉算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2829-2837.
[3]	赵秦壮, 谭红叶. 基于自适应阈值学习的时序因果推断方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2660-2666.
[4]	杨乐, 张达敏, 何庆, 邓佳欣, 左锋琴. 改进猎人猎物优化算法在WSN覆盖中的应用[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2506-2513.
[5]	徐航, 杨智, 陈性元, 韩冰, 杜学绘. 基于自适应敏感区域变异的覆盖引导模糊测试[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2528-2535.
[6]	吴锦富, 柳毅. 基于随机噪声和自适应步长的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1807-1815.
[7]	李焱, 潘大志, 郑思情. 多车场带时间窗车辆路径问题的改良自适应大邻域搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1897-1904.
[8]	韦修喜, 彭茂松, 黄华娟. 基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1009-1017.
[9]	李威, 陈玲, 徐修远, 朱敏, 郭际香, 周凯, 牛颢, 张煜宸, 易珊烨, 章毅, 罗凤鸣. 基于多任务学习的间质性肺病分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1285-1293.
[10]	李俊杰, 望育梅, 李志军, 刘雨. 全景视频基于块的视口自适应传输方案综述[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 536-547.
[11]	王震, 张珊珊, 邬斌扬, 苏万华. 基于自适应粒子群优化算法的串联复合涡轮储能优化策略[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 611-618.
[12]	刘勇, 杨锟. 新能源汽车电池回收网点竞争选址模型及算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 595-603.
[13]	王超, 姚姗姗. 基于语音质量自适应和类三元组思想的说话人确认方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3899-3906.
[14]	闫文杰, 党东月. 基于特征自适应提取的宽度量子态层析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3861-3866.
[15]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.