基于图卷积网络的药物靶标关联预测算法

徐国保，陈媛晓，王 骥

（广东海洋大学电子与信息工程学院，广东湛江 524088）

（*通信作者电子邮箱xuguobao@126.com；zjouwangji@163.com）

0 引言

药物与人类疾病息息相关，而药物靶标点的确认是药物研发工作的开始，因此，快速准确的预测药物-靶标的相互作用是药物研发的关键。然而，受到成本、通量等的影响，传统的用于阐明药物-靶标关系的生物实验难以展开，很多潜在的药物靶标相互作用关系尚未被研发出来。传统的计算方法主要有分子对接方法［1］和基于配体的方法［2］。然而，当靶标蛋白的三维结构不明确时，分子对接方法的预测性能下降；当只有少数已知配体与靶标结合时，基于配体的方法预测结果往往较差。

过去十年，国内外学者致力于利用机器学习方法来预测药物-靶标相互作用关系，这些机器学习方法主要可分为有监督学习和半监督学习两大类：有监督学习如二分图局部模型方法（Bipartite Local Model，BLM）［3］、基于核的回归模型方法［4］及基于分子特征方法［5］等；半监督学习如基于拉普拉斯正则化的最小二乘法NetLapRLS［6］。文献［6］中提出的NetLapRLS通过整合已知的化学结构信息、基因序列数据和药物-蛋白相互作用网络对药物-蛋白质相互作用关系进行了预测［7］。文献［8］使用带高斯相互作用属性（Gaussian Interaction Profile，GIP）核的正则化最小二乘法（Regularized Least Squares，RLS）分类器，结合局部二分图模型（Bipartite Local Model，BLM），提出基于邻居相互作用谱的局部二分图模型（Bipartite Local Model-Neighbor-based Interaction-profile Inferring，BLM-NII），此外，有监督学习的方法还有二分图模型［9］、基于网络的推断模型（Network-based Inference，NBI）［10］等。文献［11］提出异质网络上的可重启随机游走（Networkbased Random Walk with Restart on the Heterogeneous network，NRWRH）方法，该方法结合已知的药物-靶标关联关系、药物相似网络及靶标相似网络，构建异质网络并在该网络上执行随机游走算法。……