对计算药物重定位方法的比较分析:提出一种新的张量-矩阵-张量因子化方法.

科学领域:

• 计算机化药物发现.
• 药理学 药理学是指药理学的学科.
• 生物信息学是一种生物信息学.

背景情况:

• 药物再利用加速了对现有药物的新治疗用途的识别.
• 开发高效的计算方法对于成功的药物再利用至关重要.
• 存在各种计算策略,每个都有独特的优缺点.

研究的目的:

• 为药物重用引入一种新的张量矩阵-张量 (TMT) 配方.
• 为了比较基于因数分解,机器学习,深度学习和图形神经网络方法的性能.
• 评估不同计算药物重新定位方法的有效性和可靠性.

主要方法:

• 开发了一种新的张量-矩阵-张量 (TMT) 数据阵列方法.
• 在TMT框架内采用基于梯度的分解过程.
• 我们比较了四种不同的计算药物重定位策略:基于因子化,机器学习,深度学习和图形神经网络.
• 在两个不同的数据集上测试方法.

主要成果:

• 深度学习方法在药物重新定位任务中表现出卓越的性能和可靠性.
• 基于因数分解的方法和传统的机器学习显示出适度的有效性.
• 图形神经网络需要诱导能力才能进行可靠的预测.
• TMT配方为药物重用中的数据表示提供了一种新的方法.

结论:

• 深度学习是通过重新定位来增强药物发现的有希望的途径.
• TMT方法为分析药物-基因-疾病关系提供了一个新的计算工具.
• 需要进一步开发图形神经网络,以优化它们在药物重新利用中的应用.