CN111951886A - 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法 - Google Patents

一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法 Download PDF

Info

Publication number
CN111951886A
CN111951886A CN201910422524.2A CN201910422524A CN111951886A CN 111951886 A CN111951886 A CN 111951886A CN 201910422524 A CN201910422524 A CN 201910422524A CN 111951886 A CN111951886 A CN 111951886A
Authority
CN
China
Prior art keywords
drug
matrix
similarity
disease
bayesian
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910422524.2A
Other languages
English (en)
Inventor
王林
石金玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University of Science and Technology
Original Assignee
Tianjin University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University of Science and Technology filed Critical Tianjin University of Science and Technology
Priority to CN201910422524.2A priority Critical patent/CN111951886A/zh
Publication of CN111951886A publication Critical patent/CN111951886A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • G16B15/30—Drug targeting using structural data; Docking or binding prediction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，该方法具体过程是：对于药物和疾病各自不同视角下的多种相似性矩阵，分别利用相似性网络融合算法合并为唯一的药物相似性矩阵及唯一的疾病相似性矩阵，采用基于贝叶斯框架的归纳型矩阵补全算法来更新药物和疾病的投影矩阵，经过迭代更新后，利用药物和疾病的邻域信息来对新药物或新疾病的隐变量进行光滑化。根据本发明实施例的药物重定位预测，该方法能提高药物重定位预测的精确度，并且药物候选适应症的排序可以用来指导进一步的生物医学实验。

Description

一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法
技术领域
本发明涉及医学信息技术领域，特别是一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法。
背景技术
新药物的发现是一个危险、费力和昂贵的过程。虽然药物开发的投资在增加，但每年批准的药物数量仍然很低。近几十年来，大约30％的新药失效是由于临床试验中发现的安全问题造成的。药物重定位是指重新发现现有药物的新适应症。由于重定位的药物在临床试验中已经通过了安全性测试，这些去风险的化合物可以促进药物发现过程，降低总体开发成本，缩短开发时间。虽然最成功的药物重定位的例子是通过偶然或理性的观察获得的，但是基于计算的药物重定位预测方法可以促进药物重定位的发展，因为，现有药物的候选适应症的排序可以用来指导耗时和昂贵的湿实验。
迄今为止，人们已经提出许多药物重定位预测方法，这些方法大致分为三类。第一类包括利用已知的药物疾病关联、药物特征和疾病特征并基于机器学习的方法。Gottlieb等人(2011)使用结合分子结构、分子活性和疾病语义数据的逻辑回归分类器预测药物的新适应症。Yang和Agarwal(2011)建立了朴素贝叶斯模型，以临床副作用为特征预测145种疾病的适应症。Wang等(2013)利用药物结构、药物靶蛋白和副作用为特征，通过训练支持向量机(SVM)模型来预测药物重定位。Oh等(2014)使用随机森林、多层感知器和C4.5等分类器，从整合的遗传网络的拓扑结构中选择特征来预测药物疾病关联。
随着各种生物数据的产生，建立了多种异构网络，第二类方法指基于网络的方法，这些方法试图识别缺失的药物疾病关联及其在异构网络上的信赖度。Wang等(2014)提出TL_HGBI模型来同时预测药物疾病关联和药物靶点，他们建立了一个由药物、疾病和靶点信息组成的异构网络模型，并使用迭代算法进行药物重定位计算，该算法在三层图中进行信息传播。
Figure BSA0000183395740000011
等(2015)开发了DrugNet，一种基于网络的优先排序方法，它同时整合疾病、药物和靶点的信息，可以为药物查询候选适应症列表，反之亦然。Luo等(2016)提出了一种用于药物重定位的MBiRW方法，该方法在药物疾病异构网络上应用了综合相似性度量和双随机游走算法。
第三类是基于矩阵补全的方法，目的是找到最低秩或秩r矩阵使得其匹配已知的药物疾病关联。Luo等(2018)构建了一个大型的药物疾病邻接矩阵，包括药物对、疾病对、已知药物疾病关联和未知药物疾病关联，并采用奇异值阈值(SVT)算法进行药物重定位计算。基于相同的数据集，Cui等(2019)应用协同矩阵分解并结合L2，1范数和高斯相互作用谱核来预测药物疾病相关性。Liang等(2017)利用稀疏子空间学习并结合药物结构特征、药物靶蛋白和副作用来预测药物与疾病的关系。基于相同的数据集，Xuan等(2019)提出了一种基于非负矩阵分解的方法来识别药物的候选治疗适应症。Zhang等(2018)提出了一种利用已知的药物疾病关联、药物特征和疾病语义信息进行药物疾病关联性预测的相似约束矩阵分解方法。
然而，大多数现有的算法不能有效整合各种异源数据，没有有效利用药物和疾病特征空间的投影矩阵，没有充分利用药物或疾病的局部邻域结构，因此预测准确度仍有待提高。
发明内容
本发明的目的在于提供一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，该方法能提高药物重定位预测的精确度，并且药物候选适应症的排序可以用来指导进一步的生物医学实验。
为实现上述目的，本发明的技术方案是：一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，包括以下步骤：
步骤A：输入包括已知的药物-疾病关联矩阵Y、药物化学相似性矩阵
Figure BSA0000183395740000021
药物靶点结构域相似性矩阵
Figure BSA0000183395740000022
药物靶点注释相似性矩阵
Figure BSA0000183395740000023
疾病语义相似性矩阵
Figure BSA0000183395740000024
隐空间维度r、正则化参数λ、AdaGrad中的基础学习率η；
步骤B：利用药物-疾病网络构建药物的高斯相互作用核
Figure BSA0000183395740000025
以及疾病的高斯相互作用核
Figure BSA0000183395740000026
步骤C：利用相似性网络融合方法合并
Figure BSA0000183395740000027
和
Figure BSA0000183395740000028
为Sd，合并
Figure BSA0000183395740000029
和
Figure BSA00001833957400000210
为Sp；
步骤D：对于每个药物di(或疾病pj)，其特征用di(或pj)和其K个最近邻的相似值来描述，这样就得到药物特征矩阵A和疾病特征矩阵B；
步骤E：利用高斯分布来随机地初始化投影矩阵W和H；
步骤F：对W和H进行迭代更新：固定H，按如下公式更新W：
Figure BSA00001833957400000217
gw＝cATYBH-ATQBH-λW
Figure BSA00001833957400000211
其中
Figure BSA00001833957400000212
表示在第τ次迭代时关于W的梯度，
Figure BSA00001833957400000213
表示Hadamard商，ο表示Hadamard积；固定W，按如下公式更新H：
gh＝cBTYTAW-BTQTAW-λH
Figure BSA00001833957400000214
步骤G：对于新药物di，W的第i行用它的最近邻信息来替换，类似地，对于新疾病pj，H的第j行用它的最近邻信息来替换；
步骤H：对于药物di和疾病pj的关联概率值用如下公式计算：
Figure BSA00001833957400000215
其中ai和bj分别表示A和B的第i行和第j行；
在上述步骤B中，从已知的药物-疾病关联网络中提取药物关联的疾病谱，然后计算药物间的高斯相互作用核如下：
Figure BSA00001833957400000216
其中Yi和Yj是Y的第i行和第j行，σ是带宽并且经验地设置为药物关联的平均疾病数。
在上述步骤C中，相似性网络融合方法基于消息传递理论，可以获得不同相似性度量的共同信息以及互补信息；具体来说，对于每个药物相似矩阵
Figure BSA0000183395740000031
正则化(每个元素除以所在行元素的和)并且对称化(自身加转置除以2)得到
Figure BSA0000183395740000032
进而，使用K最近邻(设置为3)来度量
Figure BSA0000183395740000033
的局部相似性，公式如下：
Figure BSA0000183395740000034
其中Ni是药物di的最近邻集合；相似性网络融合方法的关键步骤是迭代地更新每种数据类型的相似矩阵，公式如下：
Figure BSA0000183395740000035
其中m是数据类型数，并且每次迭代后，对
Figure BSA0000183395740000036
执行正则化和对称化；经过t次迭代后，唯一的融合后的矩阵为：
Figure BSA0000183395740000037
在上述步骤D中，药物特征矩阵A的aiμ元素定义规则如下：
Figure BSA0000183395740000038
其中，N(di)代表di的最近邻；
在上述步骤G中，对于新药物di，W的第i行用如下规则来替换：
Figure BSA0000183395740000039
其中，N+(di)代表di的包含K个已知药物的最近邻，ww代表已知药物dw对应的隐变量，即W的第w行。
相较于现有技术，本发明的有益效果是：在精确度上得到大大提高，并且预测结果能用于指导进一步的生物医学实验。
具体实施方式
下面通过实施例对本发明作进一步详细的说明。
首先使用Gottlieb等(2011)构建的PREDICT数据集来验证药物重定位预测方法的有效性，该数据集包括593个药物、313种疾病以及1933个验证的药物-疾病关联。药物的数据源包含药物化学结构、药物靶点的结构域注释以及基因本体注释，这些从DrugBank(5.1.2版本)数据库获得，疾病的数据源从OMIM数据库获得。对于药物的化学结构，使用Padel软件计算PubChem指纹描述符。对于一对药物，用杰卡德系数来度量它们不同视角下的相似性，包括指纹描述、结构域注释以及基因本体注释。疾病间的相似性用MimMiner计算，该文本挖掘方法通过分析OMIM数据库中疾病表型的相似性实现。这样就得到3种不同视角下的药物相似性矩阵以及1个疾病相似性矩阵。
第二个数据集是Luo等(2016)构建的Cdataset数据集，包含DrugBank中的663个药物、409种疾病以及2353个验证的药物-疾病关联。同PREDICT数据集一样，可以获得Cdataset在3种不同视角下的药物相似性矩阵以及1个疾病相似性矩阵。
第三个数据集是Liang等(2017)用到的LRSSL数据集，包含763个药物、681种疾病以及3051个验证的药物-疾病关联，同时给出了药物在3种不同视角下的特征谱以及疾病语义相似性矩阵，这里同样利用杰卡德系数来度量它们不同视角下特征谱间的相似性。
在本实施例中，使用交叉验证来检验方法在不同情形下的预测性能，第一种情形(记为Sp)是对于已知药物预测新适应症的能力，即把已经验证的药物-疾病关联随机分成10份，每次以9份作为训练集，剩余1份作为测试集，同时把所有未知的药物-疾病关联作为负样本，添加到测试集中，上述10折交叉验证以不同的随机数种子重复5次；第二种情形(记为Sd)是对于新药物预测适应症的能力，即把药物随机分成10份，每次以9份药物的药物-疾病关联作为训练集，剩余1份药物的疾病-药物关联作为测试集，上述10折交叉验证以不同的随机数种子重复5次。
预测性能的评价指标包括ROC曲线下的面积(AUC)以及PR曲线下的面积(AUPR)，以5次10折交叉验证下，AUC的平均值以及AUPR的平均值作为性能估计，值越大，说明方法的预测准确率越高。
进一步，将本发明所述药物重定位预测方法(DRIMC)与目前最新的其他预测方法DisDrugPred(2019)、SCMFDD(2018)、MBiRW(2016)、DRRS(2018)作比较，具体的比较结果见表1和表2。
表1.在交叉验证情形Sp下不同预测方法的AUC和AUPR值.
Figure BSA0000183395740000041
表2.在交叉验证情形Sd下不同预测方法的AUC和AUPR值.
Figure BSA0000183395740000042
Figure BSA0000183395740000051
如表1所示，在交叉验证情形Sp下，DRIMC在三个基准数据集的AUC和AUPR中都达到了最佳度量值。DRIMC对PREDICT和Cdataset数据集的AUC值分别为0.950和0.963，比性能排名第二的方法DRRS分别提高了2.26％和1.58％，在LRSSL数据集上，DRIMC获得了AUC值0.955，比性能排名第二的方法DisDrugPred高出3.69％。对于AUPR值，DRIMC在PREDICT和Cdataset数据集上分别达到0.263和0.364，分别比DRRS高87.86％和60.19％，DRIMC在LRSSL数据集上实现了AUPR值0.134，比DisDrugPred提高了94.20％。
如表2所示，在交叉验证情形Sd下，DRIMC在三个基准数据集的AUC和AUPR中同样都达到了最佳度量值。DRIMC在三个数据集(即PREDICT、CDataset和LRSSL数据集)上获得的AUC值分别为0.861、0.875和0.902，分别比排名第二的DisDrugPred结果好3.11％、3.43％和3.44％。DRIMC对三个数据集的AUPR值分别为0.272、0.291和0.329，分别比DisDrugPred高出11.93％、24.36％和18.35％。
以上所述仅为本发明的较佳实施例，凡在发明权限要求所限定的范围内进行的改变、修改，均属于本发明的保护范围。

Claims (4)

1.一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，其特征在于，所述方法包括以下步骤：
步骤A：输入包括已知的药物-疾病关联矩阵Y、药物化学相似性矩阵
Figure FSA0000183395730000011
药物靶点结构域相似性矩阵
Figure FSA0000183395730000012
药物靶点注释相似性矩阵
Figure FSA0000183395730000013
疾病语义相似性矩阵
Figure FSA0000183395730000014
隐空间维度r、正则化参数λ、AdaGrad中的基础学习率η；
步骤B：利用药物-疾病网络构建药物的高斯相互作用核
Figure FSA0000183395730000015
以及疾病的高斯相互作用核
Figure FSA0000183395730000016
步骤C：利用相似性网络融合方法合并
Figure FSA0000183395730000017
和
Figure FSA0000183395730000018
为Sd，合并
Figure FSA00001833957300000110
和
Figure FSA00001833957300000111
为Sp
步骤D：对于每个药物di(或疾病pj)，其特征用di(或pj)和其K个最近邻的相似值来描述，这样就得到药物特征矩阵A和疾病特征矩阵B；
步骤E：利用高斯分布来随机地初始化投影矩阵W和H；
步骤F：对W和H进行迭代更新：固定H，按如下公式更新W：
Figure FSA00001833957300000121
gw＝cATYBH-ATQBH-λW
Figure FSA00001833957300000112
其中
Figure FSA00001833957300000113
表示在第τ次迭代时关于W的梯度，
Figure FSA00001833957300000114
表示Hadamard商，о表示Hadamard积；固定W，按如下公式更新H：
gh＝cBTYTAW-BTQTAW-λH
Figure FSA00001833957300000115
步骤G：对于新药物di，W的第i行用它的最近邻信息来替换，类似地，对于新疾病pj，H的第j行用它的最近邻信息来替换；
步骤H：对于药物di和疾病pj的关联概率值用如下公式计算：
Figure FSA00001833957300000116
其中ai和bj分别表示A和B的第i行和第j行。
2.根据权利要求1所述的一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，其特征在于，
在上述步骤C中，相似性网络融合方法基于消息传递理论，可以获得不同相似性度量的共同信息以及互补信息；具体来说，对于每个药物相似矩阵
Figure FSA00001833957300000117
正则化(每个元素除以所在行元素的和)并且对称化(自身加转置除以2)得到
Figure FSA00001833957300000118
进而，使用K最近邻(设置为3)来度量
Figure FSA00001833957300000119
的局部相似性，公式如下：
Figure FSA00001833957300000120
其中Ni是药物di的最近邻集合；相似性网络融合方法的关键步骤是迭代地更新每种数据类型的相似矩阵，公式如下：
Figure FSA0000183395730000021
其中m是数据类型数，并且每次迭代后，对
Figure FSA0000183395730000022
执行正则化和对称化；经过t次迭代后，唯一的融合后的矩阵为：
Figure FSA0000183395730000026
3.根据权利要求1所述的一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，其特征在于：
在上述步骤D中，药物特征矩阵A的aiμ元素定义规则如下：
Figure FSA0000183395730000024
其中，N(di)代表di的最近邻。
4.根据权利要求1所述的一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法，
在上述步骤G中，对于新药物di，W的第i行用如下规则来替换：
Figure FSA0000183395730000025
其中，N+(di)代表di的包含K个已知药物的最近邻，ww代表已知药物dw对应的隐变量，即W的第w行。
CN201910422524.2A 2019-05-17 2019-05-17 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法 Pending CN111951886A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910422524.2A CN111951886A (zh) 2019-05-17 2019-05-17 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910422524.2A CN111951886A (zh) 2019-05-17 2019-05-17 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法

Publications (1)

Publication Number Publication Date
CN111951886A true CN111951886A (zh) 2020-11-17

Family

ID=73336310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910422524.2A Pending CN111951886A (zh) 2019-05-17 2019-05-17 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法

Country Status (1)

Country Link
CN (1) CN111951886A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562795A (zh) * 2020-12-07 2021-03-26 三峡大学 基于多相似度融合的药物新用途预测方法
CN113035298A (zh) * 2021-04-02 2021-06-25 南京信息工程大学 递归生成大阶数行限制覆盖阵列的药物临床试验设计方法
CN113160879A (zh) * 2021-04-25 2021-07-23 上海基绪康生物科技有限公司 一种基于网络学习的通过副作用预测药物重定位方法
CN117038105A (zh) * 2023-10-08 2023-11-10 武汉纺织大学 一种基于信息增强图神经网络的药物重定位方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298674A (zh) * 2010-06-25 2011-12-28 清华大学 基于蛋白质网络的药物靶标确定和/或药物功能确定方法
US20120296090A1 (en) * 2011-04-04 2012-11-22 The Methodist Hospital Research Institute Drug Repositioning Methods For Targeting Breast Tumor Initiating Cells
US20160140312A1 (en) * 2014-11-14 2016-05-19 International Business Machines Corporation Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity
CN107545151A (zh) * 2017-09-01 2018-01-05 中南大学 一种基于低秩矩阵填充的药物重定位方法
CN107731309A (zh) * 2017-08-31 2018-02-23 武汉百药联科科技有限公司 一种药物活性的预测方法及其应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298674A (zh) * 2010-06-25 2011-12-28 清华大学 基于蛋白质网络的药物靶标确定和/或药物功能确定方法
US20120296090A1 (en) * 2011-04-04 2012-11-22 The Methodist Hospital Research Institute Drug Repositioning Methods For Targeting Breast Tumor Initiating Cells
US20160140312A1 (en) * 2014-11-14 2016-05-19 International Business Machines Corporation Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity
CN107731309A (zh) * 2017-08-31 2018-02-23 武汉百药联科科技有限公司 一种药物活性的预测方法及其应用
CN107545151A (zh) * 2017-09-01 2018-01-05 中南大学 一种基于低秩矩阵填充的药物重定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林耀进;张佳;林梦雷;李进金: "基于协同过滤的药物重定位算法", 南京大学学报. 自然科学版, vol. 51, no. 4 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562795A (zh) * 2020-12-07 2021-03-26 三峡大学 基于多相似度融合的药物新用途预测方法
CN113035298A (zh) * 2021-04-02 2021-06-25 南京信息工程大学 递归生成大阶数行限制覆盖阵列的药物临床试验设计方法
CN113035298B (zh) * 2021-04-02 2023-06-20 南京信息工程大学 递归生成大阶数行限制覆盖阵列的药物临床试验设计方法
CN113160879A (zh) * 2021-04-25 2021-07-23 上海基绪康生物科技有限公司 一种基于网络学习的通过副作用预测药物重定位方法
CN113160879B (zh) * 2021-04-25 2023-11-28 上海基绪康生物科技有限公司 一种基于网络学习的通过副作用预测药物重定位方法
CN117038105A (zh) * 2023-10-08 2023-11-10 武汉纺织大学 一种基于信息增强图神经网络的药物重定位方法及系统
CN117038105B (zh) * 2023-10-08 2023-12-15 武汉纺织大学 一种基于信息增强图神经网络的药物重定位方法及系统

Similar Documents

Publication Publication Date Title
Blaschke et al. Memory-assisted reinforcement learning for diverse molecular de novo design
Zhang et al. A fast linear neighborhood similarity-based network link inference method to predict microRNA-disease associations
CN111951886A (zh) 一种基于贝叶斯归纳型矩阵补全的药物重定位预测方法
Lei et al. A comprehensive survey on computational methods of non-coding RNA and disease association prediction
CN107545151B (zh) 一种基于低秩矩阵填充的药物重定位方法
Ding et al. Predicting miRNA-disease associations based on multi-view variational graph auto-encoder with matrix factorization
Li et al. Potential circRNA-disease association prediction using DeepWalk and network consistency projection
Xuan et al. Prediction of drug–target interactions based on network representation learning and ensemble learning
Dai et al. MDA-CF: predicting miRNA-disease associations based on a cascade forest model by fusing multi-source information
Wang et al. Drug-protein-disease association prediction and drug repositioning based on tensor decomposition
CN112420126A (zh) 一种基于多源数据融合和网络结构扰动的药物靶标预测方法
CN113488104A (zh) 基于局部和全局的网络中心性分析的癌症驱动基因预测方法及系统
Huang et al. Clustering of cancer attributed networks by dynamically and jointly factorizing multi-layer graphs
Yi et al. Learning representation of molecules in association network for predicting intermolecular associations
Xiao et al. An in-silico method with graph-based multi-label learning for large-scale prediction of circRNA-disease associations
Biswas et al. Robust inductive matrix completion strategy to explore associations between lincrnas and human disease phenotypes
Ma et al. A dual graph neural network for drug–drug interactions prediction based on molecular structure and interactions
Das et al. Heterogeneous Network-Based Inductive Matrix Methods for Predicting Biomedical Gene Disease
Wang et al. Identification of human microRNA-disease association via low-rank approximation-based link propagation and multiple kernel learning
Maskey et al. LePrimAlign: local entropy-based alignment of PPI networks to predict conserved modules
Lian et al. Integrated multi-similarity fusion and heterogeneous graph inference for drug-target interaction prediction
Fu et al. HGECDA: A Heterogeneous Graph Embedding Model for CircRNA-disease Association Prediction
Nair Predicting miRNA-Disese Associations based on miRNA and Disease similarity
Nagi et al. Cluster analysis of cancer data using semantic similarity, sequence similarity and biological measures
Liu et al. RMDGCN: Prediction of RNA methylation and disease associations based on graph convolutional network with attention mechanism

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination