基于图卷积和图嵌入的药物靶标反应识别方法.docx

下载文档

0
0
约2.15万字
约 24页
2024-12-19 发布于四川
举报
版权申诉
保障服务

基于图卷积和图嵌入的药物靶标反应识别方法.docx

此“医疗卫生”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、本文档共24页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

PAGE

PAGE1

TOC\o1-3\h\u

1引言 1

1.1研究背景及其意义 1

1.2国内外研究现状 2

1.3主要工作 4

1.4论文组织结构 4

2相关理论概述 5

2.1构建相互作用网络图 5

2.2相似度度量 5

2.3图卷积神经网络 6

2.4激活函数 7

2.5图注意力机制 7

2.6关系发现 8

3DPPM模型介绍 9

3.1模型概念与结构 9

4实验结果分析 11

4.1实验设置 11

4.2实验指标 11

4.2.1AUROC 11

4.2.2AUPR 12

4.3实验结果 13

4.4消融实验 14

4.5关系发现 15

5总结与展望 16

5.1研究结论 16

参考文献 18

摘要：本文主要聚焦于药物-靶标反应的预测。传统方法受限于靶蛋白3D结构未知或已知结合配体数量有限。基于机器学习的方法考虑药物的化学结构和靶标序列，将DTI视为二元分类问题。DTI所面临的挑战有大型数据集中无法学习到良好的节点表征，同时在多路径融合方面面临许多问题，这些问题限制了DTI预测的性能。本文提出了基于图卷积和图嵌入的药物-靶标反应预测模型DPPM，通过学习异构网络中节点的低维表示，并引入图注意力机制进行特征融合，实现了在统一空间中对药物-靶标反应的预测。实验结果表明，DPPM在预测准确率方面优于传统方法，跟之前的方法相比，在AUROC上提升了13%，在AUPR上提升了15%。这一研究为药物发现和再定位提供了新的工具，有助于理解药物的作用机制。

关键词：图卷积神经网络；图注意力机制；DTI；异构图

Thedrug-targetinteractionrecognitionmethodbasedongraphconvolutionandgraphembedding.

Authors:MaXinyiInstructor:ProfessorLiChun

(SchoolofMathematicsandStatistics,HainanNormalUniversity,Haikou,571127)

Abstract:Thispaperprimarilyfocusesonthepredictionofdrug-targetinteractions.Traditionalmethodsarelimitedbytheunknown3Dstructureoftargetproteinsoralimitednumberofknownbindingligands.Machinelearning-basedapproachesconsiderthechemicalstructuresofdrugsandthesequencesoftargets,treatingDTIasabinaryclassificationproblem.ThechallengesfacedbyDTIincludetheinabilitytolearngoodnoderepresentationsinlargedatasetsandthedifficultiesinfusingmultiplepaths,whichlimittheperformanceofDTIprediction.Thispaperproposesadrug-targetinteractionpredictionmodel,DPPM,basedongraphconvolutionandgraphembedding.Bylearninglow-dimensionalrepresentationsofnodesinheterogeneousnetworksandintroducingagraphattentionmechanismforfeaturefusion,themodelachievesthepredictionofdrug-targetinteractionsinaunifiedspace.ExperimentalresultsshowthatDPPMoutperformstraditionalmethodsinter