33、药物重定位中的药物 - 靶点相互作用预测与多机器人任务分配问题解决方案

药物重定位中的药物 - 靶点相互作用预测与多机器人任务分配问题解决方案

药物 - 靶点相互作用预测

在药物重定位领域，准确预测药物 - 靶点相互作用（DTIs）至关重要。由于已知的药物 - 靶点相互作用数量有限，且缺乏经过实验验证的负样本，因此使用半监督学习和深度学习方法来解决这一问题具有重要意义。

1. 数据特征提取

   • 药物特征：从近期研究中收集最佳特征，使用 Rcpi 包计算药物特征，包括构成、拓扑和几何描述符等分子性质，共获得 193 个特征。
   • 靶点特征：通过 PROFEAT 网络服务器获取靶点特征，涉及氨基酸组成、二肽组成、自相关、组成、过渡和分布、准序列顺序、两亲性伪氨基酸组成和总氨基酸性质等，共获得 1290 个特征。
   • 特征向量组合：每个药物 - 靶点对由特征向量表示，通过连接相应药物和靶点的特征向量形成，如 [d1, d2, …, d193, t1, t2, …, t1290]，并为每个样本关联一个标签（+1 或 -1）。

2. DeepSS - DTIs 方法

   • 方法背景 ：由于已知的 DTIs 数量少，未标记数据多，且药物 - 靶点对数量庞大，因此采用半监督深度学习方法。无监督预训练后进行监督微调是应用半监督深度学习的有效方式，无监督预训练具有更好的权重初始化和正则化作用。
   • 训练过程