一种基于深度非负矩阵因数分解与局部图形特征的新型药物疾病关联预测方法
Mengyun Yang1, Bin Yang2, Jiajun Chen3
1School of Computer Science, Hunan First Normal University, Changsha, 410205, China. mengyun_yang@126.com.
概括
一个新的计算模型,深度非负矩阵因子对药物-疾病关联 (DNMF-DDA),提高了药物重定向的准确性. 它有效地预测了新药与疾病的联系,在冷启动场景中表现优于现有方法.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 传统的药物查是昂贵和低效的.
- 现有的计算模型在药物重新利用的深度特征提取方面扎.
- 准确预测药物与疾病的关联对于有效的药物开发至关重要.
研究的目的:
- 开发一种新的计算模型,DNMF-DDA,用于增强药物重定位.
- 提高预测药物疾病关联的准确性,特别是在新药方面.
- 为了利用图形拉普拉斯的深度矩阵分解和复杂关系建模的规范化.
主要方法:
- 开发了一个DNMF-DDA模型,集成药物/疾病相似性和关联数据.
- 应用 k-最近邻居 (KNN) 进行预处理以提高矩阵密度.
- 整合了拉普拉斯图形和放松的规范化,以优化功能.
- 使用非负性约束来进行生物学上有意义的预测.
主要成果:
- 在预测药物疾病相关性方面,DNMF-DDA表现优越.
- 该模型在冷启动测试和交叉验证中明显超过了五种最先进的方法.
- 在处理高维数据和减轻冷启动问题时实现了高精度.
结论:
- DNMF-DDA为计算药物重新定位提供了一种强大而准确的方法.
- 该模型为药物开发提供了宝贵的见解,并有效地处理复杂的数据.
- 案例研究证实了DNMF-DDA模型的实际适用性和显著价值.
