GIAE-DTI：基于异构网络和基于GIN的图自动编码器预测药物-靶点相互作用

《IEEE Journal of Biomedical and Health Informatics》：GIAE-DTI: Predicting Drug-Target Interactions Based on Heterogeneous Network and GIN-Based Graph Autoencoder

精准预测药物-靶点相互作用（DTIs）对加速药物研发至关重要。针对现有方法数据稀疏、节点信息聚合不足及孤立节点表征差的问题，本研究提出GIAE-DTI框架：通过跨模态相似性计算（整合药物-蛋白-疾病-副作用关系）构建异构网络，利用加权K近邻处理药物-药物、蛋白-蛋白及药物-靶点关系，结合图自动编码器（基于图同构网络）的特征提取和双解码器结构实现自监督学习，最终通过深度神经网络预测DTIs。实验表明其在基准数据集上AUC达0.9533、AUPR达0.9619，优于现有方法，并通过5-羟色胺受体相关靶点和精神疾病药物案例验证了实用性。

　　

摘要：

准确预测药物-靶点相互作用（DTIs）对于推进药物发现和再利用至关重要。然而，DTI数据的稀疏性限制了现有计算方法的有效性，这些方法主要关注稀疏的DTI网络，在整合来自相邻节点的信息以及表示网络中的孤立节点方面表现不佳。在这项研究中，我们提出了一种新的深度学习框架GIAE-DTI，该框架考虑了药物和靶点的跨模态相似性，并构建了一个异构网络用于DTI预测。首先，模型通过计算药物、蛋白质、疾病和副作用之间的关系来评估它们之间的跨模态相似性，并通过取平均值来进行相似性整合。然后，构建了一个包含药物-药物相互作用、蛋白质-蛋白质相互作用以及通过加权K最近邻算法处理的药物-靶点相互作用的异构网络。在异构网络中，使用基于图同构网络的图自动编码器进行特征提取，同时采用双解码器来实现更好的自监督学习，从而得到药物和靶点的潜在特征表示。最后，利用深度神经网络来预测DTIs。实验结果表明，在基准数据集上，GIAE-DTI在DTI预测中的AUC和AUPR得分分别为0.9533和0.9619，优于当前的最先进方法。此外，针对四种5-羟色胺受体相关靶点和五种与精神疾病相关的药物的案例研究显示了所提出方法在实际应用中的巨大潜力。

引言

药物发现包括一系列特定阶段，从识别有前景的药物候选物开始，到获得市场批准结束[1]。鉴于其复杂性和难度，这一过程可能非常具有挑战性且耗时[2]。具体来说，开发一种新药涉及评估其对人体的影响、评估其安全性和有效性，并确定其治疗效果[3]。这需要超过十年的时间，成本从8亿美元到15亿美元不等[4]。准确识别药物-靶点相互作用（DTIs）对于推进药物发现和再利用至关重要，是现代药物开发的基础[5]。传统的药物发现方法优先开发针对特定疾病的单靶点药物[6]。然而，这种方法忽略了复杂的相互作用以及多种疾病与多个靶点相关联的情况，从而限制了新药的开发速度[7]。在过去的几年中，出现了一些新的方法和概念来提高药物开发的效率。其中，“网络药理学”的提出[8]强调了药物和靶点之间复杂相互作用的重要性，即药物通常作用于多个靶点蛋白，而多个靶点参与同一疾病的发生[9]。此外，药物重新定位的概念[10]涉及将现有药物重新用于治疗以前未探索过的疾病。这些概念为预测DTIs提供了更好的理论基础，并有助于加快新药的发现[11]。