薬剤転用強化：作用分類を伴う薬物標的相互作用予測のためのマルチクラスアンサンブルモデル

科学分野:

• 薬理学とバイオインフォマティクス
• 計算上の薬剤発見

背景:

• 正確な薬物標的相互作用（DTI）予測は、薬剤転用および製薬開発コストの削減に不可欠です。
• 既存のDTI予測手法は、相互作用を二値として扱い、薬理作用タイプや非相互作用データ品質を見落としがちです。

研究 の 目的:

• 活性化剤、阻害剤、および非作用クラスを区別するDTI予測のためのマルチクラス分類フレームワークを開発すること。
• 薬物間およびタンパク質間類似性に基づく新しいゼロ相互作用選択アルゴリズムを使用して、データセットの多様性と信頼性を向上させること。

主な方法:

• DrugBank、PubChem、およびUniProtから薬物およびタンパク質の特性を抽出しました。
• PCA、オートエンコーダー、ランダムフォレストの重要度など、さまざまな特徴選択および次元削減技術を評価しました。
• 特徴統合戦略（連結対畳込み）を比較し、ヒストグラムベース勾配ブースティング（HGB）やグラフベースモデル（HeteroGNN）などのアンサンブル手法を含む分類器を評価しました。

主要な成果:

• 連結特徴量統合法は畳込みを上回りました。
• ヒストグラムベース勾配ブースティング（HGB）は、外部テストセットで最高の全体的な予測精度（87.90%）を達成しました。
• HeteroGNNは、特に表現の少ないクラスに対して、よりバランスの取れたクラスごとのパフォーマンスを提供しました。

結論:

• 提案されたマルチクラス分類フレームワークは、計算上の薬剤転用に対してスケーラブルで解釈可能なアプローチを提供します。
• このフレームワークは、DTI予測の精度と信頼性を向上させることにより、潜在的な治療候補のより迅速で費用対効果の高い特定をサポートします。