「论文翻译」NeoDTI: neural integration of neighbor information from a HeteroN for discovering new DTIs

Bioinformaties 2018 (B类)

Abstract

Motivation: 在计算机上准确预测药物-靶标相互作用（DTI）可以指导药物发现过程，从而促进药物开发。 采用系统生物学观点的DTI预测计算方法通常采用以下原理：药物和靶标的特性可以通过其在生物网络中的功能角色来表征。
Results:受信息传递和聚合技术的最新发展的启发，这些技术可以使卷积神经网络通用化以挖掘大规模图数据并大大提高许多与网络相关的预测任务的性能，我们开发了一种新的非线性端到端学习模型，称为NeoDTI，可整合来自异构网络数据的各种信息，并自动学习保留药物和靶标的拓扑结构表示，以促进DTI预测。相对于其他最新的DTI预测方法以及数种新颖的预测DTI有了实质性的预测性能改进，并且有先前研究的证据支持，这证明了NeoDTI的超强预测能力。此外，NeoDTI可以抵抗多种选择的超参数，并准备整合更多与药物和靶标相关的信息（例如化合物-蛋白质结合亲和力数据）。所有这些结果表明NeoDTI可以为药物开发和药物重新定位提供强大而强大的工具。

Introduction

2 Materials and methods

2.1 Problem formulation

NeoDTI从与药物和靶标相关的异质网络中预测未知的DTI，其中药物，靶标和其他对象表示为节点，而DTI和其他交互作用或关联表示为边。 我们首先介绍异质网络(HN)的定义。

定义1（异质网络）.异质网络定义为有向图（或无向图）$G=(V,E)$； 其中节点集$V$中的每个节点$v$都属于对象类型集合$O$中的对象类型，而边集$E\subset V\times V\times R$中的每个边$e$都属于关系类型集$R$中的关系类型 。

在我们的框架中用于构造异构网络的数据集（另请参见第3.1节）包括对象类型集O = {drug, target, side-effect, disease}和关系类型集R = {drug-structure-similarity, drug-side-effect-association, drug-protein-interaction, drug-drug-interaction, drug-disease-association, protein-sequence-similarity, protein-drug-interaction, protein-disease-association, protein-protein-interaction, disease-protein-association, disease-drug-association, side-effect-drug-association}在我们当前的框架中，每个节点仅属于一个对象类型，尽管可以相对容易地扩展到多对象类型的映射场景。 此外，所有边缘均为无方向且非负加权。 同样，相同的两个节点可以通过多个边链接.例如, 两种药物可以同时通过drug-drug-interaction的边和drug-structure-similarity边相连。

2.2 The workflow of NeoDTI

NeoDTI包括以下三个主要步骤：

1. 邻居信息聚合
2. 更新节点嵌入
3. 节点嵌入的拓扑保存学习

通过步骤1和2，给定异质网络中的每个节点通过将其邻域信息与其自身的特征进行集成来生成新的特征表示。通过步骤3，我们强制将节点嵌入进行拓扑保存，这对于提取单个节点的拓扑特征以进行准确的DTI预测很有用。 接下来，我们将介绍这三个步骤的数学公式。

• 定义2（邻居信息聚合）.
  给一个异质网络$G$, 一个初始化节点嵌入函数$f^0:V\to {\mathbb{R}}^d$,将每个节点$v\in V$映射到其$d$维向量表示$f^0(v)$和边权重映射函数$s:E\to \mathbb{R}$, 将每个边$e\in E$映射到其边权重$s(e)$, 节点$v$的邻居信息聚集定义为：
  
  其中 N r ( v ) = { u , u ∈ V , u ≠ v , ( u , v , r ) ∈ E } N_{r}(v)=\{u, u \in V, u \neq v,(u, v, r) \in E\} Nr​(v)={ u,u∈V,u​=v,(u,v,r)∈E}表示通过类型$r\in R$的边连接到$v\in V$的相邻节点的集合。