基于多核正未标记学习(MKPUL-BLM)的药物-靶点相互作用预测增强计算模型研究

【编辑推荐】针对药物-靶点相互作用(DTIP)预测中负样本缺失和计算精度不足的挑战，研究人员创新性提出融合多核学习与正未标记学习(PUL)的MKPUL-BLM模型。该方法通过整合多维网络信息提升相似性计算，利用PUL生成潜在负样本，最终在ROCAUC(0.98)和AUPR(0.94)指标上实现显著突破，为加速新药研发提供可靠计算工具。

　　

背景：近年来，解析复杂生物网络以预测潜在关联成为医学与计算机科学的交叉热点。药物-靶点相互作用(Drug-target interactions, DTI)预测作为生物网络连接预测的重要应用，是发现新药研发关键靶点的基石性工作。

目标：现有计算方法虽能基于已知互作关系降低实验成本，但仍面临两大瓶颈：缺乏实验验证的负样本数据，以及部分算法预测精度不足。为此，本研究提出名为MKPUL-BLM的混合计算框架，旨在突破这些技术壁垒。

方法：该模型创造性整合多核学习(multi-kernel)与正未标记学习(Positive Unlabeled Learning, PUL)两大技术路径。通过多核策略融合异构生物网络数据，显著提升相似性计算的敏感性；针对负样本缺失问题，采用PUL算法智能生成高置信度负样本；最终通过半监督学习实现标签扩展。

结果：在经典互作数据集测试中，模型ROC_AUC和AUPR分别达到0.98与0.94的优异性能；对于新发现互作数据集，两项指标亦提升至0.89和0.77，显著优于基线方法。

结论：MKPUL-BLM模型展现出DTI预测领域的重要应用价值，其创新性的计算范式为加速药物重定位和靶点发现提供了新思路。