基于指纹相似度的药物靶点相互作用预测(1)
[摘要]药物通过结合人体靶点发挥药效，识别药物靶点相互作用對于药物新功能发现至关重要。该文提出基于分子子结构的靶点指纹特征和基于指纹相似度的药物靶点特征计算方法，构建随机森林分类模型识别和预测药物靶点相互作用，通过酶、离子通道、G蛋白偶联受体和核受体数据集测试并与现有方法对比分析，并将所提模型应用于中药成分靶点相互作用预测，实验结果表明所提方法的有效性。
[关键词]药物靶点相互作用； 分子指纹； 随机森林
Prediction of drugtarget interaction based on fingerprint similarity
YU Yayun1， LIU Yongguo1*， JIANG Yu1， LI Limin2
(1. Knowledge and Data Engineering Laboratory of Chinese Medicine， School of Information and Software Engineering，University of Electronic Science and Technology of China， Chengdu 610054， China；
, 百拇医药
2. Sichuan Academy of Chinese Medicine Sciences， Chengdu 610041， China)
[Abstract]Drugs play the pharmacological effects by combining with target proteins. Identification of drugtarget interactions is important for discovering new functions of drugs. In this paper， the target fingerprints based on molecular substructure and the drugtarget similarity based on fingerprints are proposed to a random forestbased classification method， in order to identify the drugtarget interactions. Experiments on enzymes， ion channels， G proteincoupled receptors and nuclear receptors proved the effectiveness of the proposed method. In addition， the proposed method is applied to predict the interactions between ingredients and targets of traditional Chinese medicines.
, 百拇医药
[Key words]drugtarget interaction； molecular fingerprint； random forest
药物靶点是存在于人体组织细胞内与药物分子相互作用并赋予药物效应的特定蛋白质分子，如受体、酶等[1]。药物通过与靶点相互作用影响靶点的药理作用以达到表型效应[23]。识别药物靶点相互作用对于理解药物的作用机制至关重要，而药物靶点间关系尚未完全明确[4]。目前，通过生物实验手段识别药物靶点相互作用不仅代价高而且耗时长[5]。Mei等认为借助计算机可快速有效预测药物靶点相互作用，提出BLMNII模型从KEGG数据库识别药物D00163，D00506和D05341分别与靶点hsa9971，hsa9970和hsa3174具有相互作用，实现通过计算机技术在有限时间内大规模预测药物靶点相互作用，协助研究人员有效开展生物实验验证[67]。
近年来，研究人员基于计算机技术从不同角度研究药物靶点特征，构建机器学习模型预测药物靶点相互作用[8]。Yamanishi等从KEGG BRITE，BRENDA，SuperTarget和DrugBank数据库搜集药物靶点相互作用数据，根据靶点类型创建酶(enzyme)、离子通道(ion channel)、G蛋白偶联受体(Gproteincoupled receptor)和核受体(nuclear receptor)数据集，基于化学结构和基因序列信息采用统计方法分析药物靶点相互作用，采用ROC曲线下面积(area under curve，AUC)作为评价指标，4个数据集的AUC值分别为0904，0851，0899，0843[9]。van Laarhoven等通过二值矩阵表示药物靶点相互作用，以二值向量表示药物(或靶点)是否与靶点(或药物)具有相互作用，采用高斯函数计算药物(或靶点)间高斯距离矩阵作为高斯相互作用属性(Gaussian interaction profile，GIP)核，提出基于GIP核的正则化最小二乘法分类器预测药物靶点相互作用，算法AUC值分别达到0983，0986，0947，0906[10]；Cao等认为药物化学子结构指纹能有效地表示药物，根据药物maccs指纹特征和靶点蛋白的物理化学性质构建药物靶点属性特征，采用支持向量机构建模型预测药物靶点相互作用，算法AUC值分别达到0903 1，0889 1，0846 8，0837 4[5]；Hao等采用非线性核融合思想构建正则最小二乘法预测药物靶点相互作用，算法AUC值分别达到0915，0925，0853，0909[11]。上述方法从不同角度构建药物靶点相互作用关系预测模型，对实验数据集获得较高AUC值，表明此类方法能较好预测潜在药物靶点相互作用。, 百拇医药(于亚运刘勇国蒋羽)
[关键词]药物靶点相互作用； 分子指纹； 随机森林
Prediction of drugtarget interaction based on fingerprint similarity
YU Yayun1， LIU Yongguo1*， JIANG Yu1， LI Limin2
(1. Knowledge and Data Engineering Laboratory of Chinese Medicine， School of Information and Software Engineering，University of Electronic Science and Technology of China， Chengdu 610054， China；
, 百拇医药
2. Sichuan Academy of Chinese Medicine Sciences， Chengdu 610041， China)
[Abstract]Drugs play the pharmacological effects by combining with target proteins. Identification of drugtarget interactions is important for discovering new functions of drugs. In this paper， the target fingerprints based on molecular substructure and the drugtarget similarity based on fingerprints are proposed to a random forestbased classification method， in order to identify the drugtarget interactions. Experiments on enzymes， ion channels， G proteincoupled receptors and nuclear receptors proved the effectiveness of the proposed method. In addition， the proposed method is applied to predict the interactions between ingredients and targets of traditional Chinese medicines.
, 百拇医药
[Key words]drugtarget interaction； molecular fingerprint； random forest
药物靶点是存在于人体组织细胞内与药物分子相互作用并赋予药物效应的特定蛋白质分子，如受体、酶等[1]。药物通过与靶点相互作用影响靶点的药理作用以达到表型效应[23]。识别药物靶点相互作用对于理解药物的作用机制至关重要，而药物靶点间关系尚未完全明确[4]。目前，通过生物实验手段识别药物靶点相互作用不仅代价高而且耗时长[5]。Mei等认为借助计算机可快速有效预测药物靶点相互作用，提出BLMNII模型从KEGG数据库识别药物D00163，D00506和D05341分别与靶点hsa9971，hsa9970和hsa3174具有相互作用，实现通过计算机技术在有限时间内大规模预测药物靶点相互作用，协助研究人员有效开展生物实验验证[67]。
近年来，研究人员基于计算机技术从不同角度研究药物靶点特征，构建机器学习模型预测药物靶点相互作用[8]。Yamanishi等从KEGG BRITE，BRENDA，SuperTarget和DrugBank数据库搜集药物靶点相互作用数据，根据靶点类型创建酶(enzyme)、离子通道(ion channel)、G蛋白偶联受体(Gproteincoupled receptor)和核受体(nuclear receptor)数据集，基于化学结构和基因序列信息采用统计方法分析药物靶点相互作用，采用ROC曲线下面积(area under curve，AUC)作为评价指标，4个数据集的AUC值分别为0904，0851，0899，0843[9]。van Laarhoven等通过二值矩阵表示药物靶点相互作用，以二值向量表示药物(或靶点)是否与靶点(或药物)具有相互作用，采用高斯函数计算药物(或靶点)间高斯距离矩阵作为高斯相互作用属性(Gaussian interaction profile，GIP)核，提出基于GIP核的正则化最小二乘法分类器预测药物靶点相互作用，算法AUC值分别达到0983，0986，0947，0906[10]；Cao等认为药物化学子结构指纹能有效地表示药物，根据药物maccs指纹特征和靶点蛋白的物理化学性质构建药物靶点属性特征，采用支持向量机构建模型预测药物靶点相互作用，算法AUC值分别达到0903 1，0889 1，0846 8，0837 4[5]；Hao等采用非线性核融合思想构建正则最小二乘法预测药物靶点相互作用，算法AUC值分别达到0915，0925，0853，0909[11]。上述方法从不同角度构建药物靶点相互作用关系预测模型，对实验数据集获得较高AUC值，表明此类方法能较好预测潜在药物靶点相互作用。, 百拇医药(于亚运刘勇国蒋羽)