DTINet与其python实现（一）

近日，因为一些奇妙的原因，拜读了《 A networkIntegration Approach for Drug-Target interaction Prediction and ComputationalDrug Repositioning from Heterogeneous Information 》 这篇文章。花了将近一周的时间终于算是大概弄懂了其主要算法的原理，恰逢正在学习python，便着手将提供的matlab代码改成了python，便想阐述一下我对这篇文章的理解与其python的实现与在这个过程中遇到的问题，作为自己学习的记录吧。

这篇文章的主要目的在于通过各种与蛋白和药物相关的数据，对药物靶点进行预测，包括了药物与药物的作用，药物与疾病的作用，药物与side-effect的作用，蛋白与蛋白的作用，蛋白与疾病的作用，药物与蛋白本身的相似性以及药物与蛋白的相互作用。因为我是先拿到这个题目之后才了解到这篇文章，在刚拿到这个题目的时候，我的想法是直接用蛋白与药物本身的相似性通过interaction直接学习不就好了吗，为什么还要给有关疾病、side-effect的数据呢。看完文章后才了解到他是通过将药物、蛋白与其它相关数据转换成药物与蛋白本身的相似性，从而使得最后的相似性矩阵可以包含更多的信息，从而提高预测的准确率。

DTINet实现所基于的假设为“guilt byassociation”，即两种药物或两种蛋白，其相似度越高，则其更有可能具有类似的作用，换一句话说，两个节点的拓扑结构越相似，其功能也越相似。通过将原始数据进行处理加工，最终转换成药物与蛋白的拓扑结构，然后通过已知的药物与蛋白的相互作用，便可学习得到药物与蛋白相互作用的模型，从而可以预测药物于蛋白之间新的相互作用。DTINet主要的步骤如下：

  

1.compute similarity

第一步需要将原始数据转化为similarity matrices，这里用到的是杰卡德相似指数(Jaccardsimilarity coefficient)。

杰卡德相似系数(Jaccard similarity coefficient)，也称杰卡德指数(JaccardIndex)，是用来衡量两个集合相似度的一种指标。而杰卡德距离（Jaccard distance）是用来衡量两个集合差异性的一种指标，它是杰卡德相似系数的补集，被定义为1减去Jaccard相似系数。

Jaccard相似指数被定义为两个集合交集的元素个数除以并集的元素个数：

Jaccard距离即为：

Jaccard距离只适用于0-1矩阵，同时，其与汉明距离（Hamming distance）的区别为，Hamming距离关注0-0匹配，而Jaccard距离在计算时去除了0-0匹配，这也是为什么算法使用Jaccard距离而不是Hamming距离，例如两种药物都无法产生某种side-effect，但这并不一定代表其存在相似的信息。

在这里运用时是计算矩阵中每一行向量的Jaccard相似度，并转化为相似度矩阵，类似于相关系数矩阵，是一个对称矩阵。其python代码实现如下：

import pandas as pd
import numpy as np
from scipy.spatial.distance import pdist
from scipy.spatial.distance import squareform
import utils

Nets = ['mat_drug_drug', 'mat_drug_disease', 'mat_drug_se','mat_protein_protein', 'mat_protein_disease']

for net in Nets:
    inputID='./data/'+net+'.txt'
    M=pd.read_table(inputID,sep=' ', header=None)
    # jaccard similarity
    Sim=1-pdist(M,'jaccard')
    Sim=squareform(Sim)
    Sim=Sim+np.eye(len(Sim))
    Sim=np.nan_to_num(Sim)
    
    #output csv file
    outputID='./data/Sim_'+net+'.csv'
    utils.outputCSVfile(outputID,Sim)
    
#write chemical similarity to networks
M=pd.read_table('./data/Similarity_Matrix_Drugs.txt',sep='    ',header=None)
M=M.as_matrix(columns=None)
utils.outputCSVfile('./data/Sim_mat_drugs.csv',M)
#write sequence similarity to networks
M=pd.read_table('./data/Similarity_Matrix_Proteins.txt',sep=' ',header=None)
M=M.as_matrix(columns=None)
M=M/100
utils.outputCSVfile('./data/Sim_mat_proteins.csv',M)