کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

ارائه روش ترکیبی یادگیری عمیق برای پیش‌بینی تعامل دارو-هدف با استفاده از خودرمزگذارها

نویسندگان :

سیده زهرا سجادی¹

1- دانشگاه مازندران

کلمات کلیدی :

دارو-هدف،پیش‌بینی تعامل‌ها‌،یادگیری عمیق،خودرمزگذارها

چکیده :

چكيده شناسایی تعامل‌های دارو-هدف، یک مرحله مهم در فرآیند کشف دارو است. شناسایی تعامل دارو-هدف از طریق روش‌های آزمایشگاهی کار پرهزینه، دشوار و زمان‌بر است. روش‌های محاسباتی می‌توانند با پیشنهاد داروهای بالقوه‌ای که پیش‌تر در آزمایش‌های آزمایشگاهی اعتبارسنجی شده‌اند، فضای جستجو را کاهش دهند. اخیراً، روش‌های مبتنی بر یادگیری عمیق در پیش‌بینی تعامل دارو-هدف بیشتری مورد توجه قرار گرفته‌ است. از آنجا که ماتریس تعامل دارو-هدف اغلب بسیار پراکنده است، عملکرد پیش‌بینی تعامل دارو-هدف در روش‌های مبتنی بر یادگیری عمیق به شدت کاهش می‌‌یابد. ازاین‌رو، برخی از روش‌های یادگیری عمیق از اطلاعات جانبی بهره می‌برند تا مشکل پراکنده بودن ماتریس تعامل را برطرف کنند. در این مقاله، رویکرد جدیدی با کمک ماتریس‌های شباهت داروها، ماتریس‌های شباهت هدف‌ها و خودرمزگذارها، برای پیش‌بینی تعامل دارو-هدف پیشنهاد می‌کنیم که به‌طور همزمان عوامل پنهان داروها و اهداف را از ماتریس شباهت‌ و ماتریس تعامل فرا می‌گیرد. روش پیشنهادی از دو مرحله تشکیل شده است: پیش‌پردازش ماتریس تعامل به کمک ماتریس شباهت داروها و هدف‌ها و مدل ترکیبی یادگیری عمیق. روش پیشنهادی نشان می‌دهد که نتایج آزمایش‌های حاصل روی معیارهای AUPR و AUC پس از اجرای پنج بار تکرار اعتبارسنجی متقابل ده‌فولدی، روی دو مجموعه داده یامانیشی بهتر از روش‌های موجود پیش‌بینی می‌کند.