• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>BMC Veterinary Research >Semi-supervised drug-protein interaction prediction from heterogeneous biological spaces
【24h】

Semi-supervised drug-protein interaction prediction from heterogeneous biological spaces

机译：来自异质性生物空间的半监督药物-蛋白质相互作用预测

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

BackgroundPredicting drug-protein interactions from heterogeneous biological data sources is a key step for in silico drug discovery. The difficulty of this prediction task lies in the rarity of known drug-protein interactions and myriad unknown interactions to be predicted. To meet this challenge, a manifold regularization semi-supervised learning method is presented to tackle this issue by using labeled and unlabeled information which often generates better results than using the labeled data alone. Furthermore, our semi-supervised learning method integrates known drug-protein interaction network information as well as chemical structure and genomic sequence data.ResultsUsing the proposed method, we predicted certain drug-protein interactions on the enzyme, ion channel, GPCRs, and nuclear receptor data sets. Some of them are confirmed by the latest publicly available drug targets databases such as KEGG.ConclusionsWe report encouraging results of using our method for drug-protein interaction network reconstruction which may shed light on the molecular interaction inference and new uses of marketed drugs.
机译：背景技术从异质生物学数据源预测药物-蛋白质相互作用是计算机模拟药物发现的关键步骤。该预测任务的困难在于已知药物-蛋白质相互作用和待预测的众多未知相互作用的罕见性。为了应对这一挑战，提出了一种流形正则化半监督学习方法，该方法通过使用标记和未标记的信息来解决此问题，该信息通常比单独使用标记的数据会产生更好的结果。此外，我们的半监督学习方法整合了已知的药物-蛋白质相互作用网络信息以及化学结构和基因组序列数据。数据集。结论我们报告了使用我们的方法进行药物-蛋白质相互作用网络重建的令人鼓舞的结果，这可能揭示了分子相互作用的推论和市售药物的新用途。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号