基于多模态栈式混合自编码器的药物靶标相互作用预测

TP391; 针对药物-靶标相互作用(drug-target interactions,DTI)预测中存在的单模态特征不足、多模态数据利用不充分、数据噪声大等问题,提出了一种基于多模态栈式混合自编码器(stacked hybrid autoencoder,SHADTI)的药物靶标相互作用预测方法.SHADTI包括数据预处理模块、潜在特征提取模块和预测模块三部分.数据预处理模块利用随机游走和PPMI(positive pointwise mutual information)算法对药物和靶标的多模态数据进行全局拓扑结构处理.潜在特征提取模块利用深度自编码器混合了降噪块、稀疏块、堆栈块,充分挖掘多...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 19; pp. 334 - 342
Main Authors 张星宇, 陈卓, 黄印, 原雨婷, 李颖, 王彬
Format Journal Article
LanguageChinese
Published 太原理工大学 计算机科学与技术学院,山西 晋中 030600 01.10.2024
Subjects
多模态
deep learning
autoencoder
药物-靶标相互作用
深度学习
自编码器
multimodal
drug-target interactions
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2306-0269

Cover

More Information
Summary:TP391; 针对药物-靶标相互作用(drug-target interactions,DTI)预测中存在的单模态特征不足、多模态数据利用不充分、数据噪声大等问题,提出了一种基于多模态栈式混合自编码器(stacked hybrid autoencoder,SHADTI)的药物靶标相互作用预测方法.SHADTI包括数据预处理模块、潜在特征提取模块和预测模块三部分.数据预处理模块利用随机游走和PPMI(positive pointwise mutual information)算法对药物和靶标的多模态数据进行全局拓扑结构处理.潜在特征提取模块利用深度自编码器混合了降噪块、稀疏块、堆栈块,充分挖掘多模态之间蕴含的信息,生成潜在药物靶标特征向量.预测模块将药物和靶标的潜在特征拼接后输入到全连接层进行预测.所提方法在5个公开数据集上与现有深度学习方法进行对比,实验结果均优于所对比的方法,表明SHADTI能够有效利用多模态数据间的互补信息,提高了DTI预测精度.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2306-0269