摘要
目前相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程。但是在实际应用的过程中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法(ASE-KELM)。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本;并且为了解决球形演化算法易陷入局部最优的问题,利用搜索因子历史记忆的反馈机制及群大小线性递减的策略(LPSR),实现全局搜索和局部搜索的平衡,提高算法的求优能力;然后利用自适应球形演化算法对核极限学习机(KELM)的参数进行优化。采用基于黄金标准的数据集,将ASEKELM与NetLapRLS(Network Laplacian Regularized Least Square)、BLM-NII(Bipartite Local Model with Neighbor-based Interaction profileInferring)、 SELF-BLM(SELF-trainingBipartiteLocalModel)、 SPLCMF(Self-PacedLearningwithCollaborativeMatrix Factorization based on weighted low-rank approximation)、WNN-GIP(Weighted Nearest Neighbor algorithm with Gaussian Interaction Profile kernels)、SEELM(Spherical Evolution Extreme Learning Machine)六种算法比较,利用评价指标AUC与AUPR进行评估,验证算法的性能。实验结果表明,在酶(E)数据集、G-蛋白偶联受体(GPCR)数据集、离子通道(IC)数据集和核受体(NR)数据集中,ASE-KELM在AUC(0.9992、0.9975、0.9996、0.9933)与AUPR(0.9994、0.9981、0.9996、0.9946)性能方面表现均优于对比算法。且基于DrugBank等数据库,ASE-KELM算法在预测新药物-靶标对的验证过程中表现良好。
- 单位