DDR: efficient computational method to predict drug–target interactions using graph mining and machine learning approaches  

DDR:利用图挖掘和机器学习方法 预测药物-靶点相互作用 的有效计算方法

通过计算找到药物靶点相互作用(DTIs)是一种方便的方法，可以以较低的成本和合理的准确性识别新的DTIs。
然而，现有的DTI预测方法存在假阳性预测率高的问题。
结果:

我们开发了DDR，一种提高DTI预测精度的新方法。
DDR是基于异构图的使用，该图包含药物之间和目标蛋白之间多个相似点的已知DTIs。DDR采用非线性相似度融合方法对不同的相似度进行融合。在融合之前，DDR执行预处理步骤，在启发式过程中选择相似度子集，以获得最优的相似度组合。
然后，DDR应用随机森林模型，该模型使用从DTI异构图中提取的不同基于图的特征。
使用5-repeats 10倍交叉验证,三个测试设置和precision-recall曲线下的面积的加权平均(AUPR)分数,我们表明,DDR显著减少AUPR评分误差相对于下一个最佳start-of-the-art方法预测当药物新dti 31%, 23%当目标是新的和34%的药物和它们之间的目标已知但并不是所有的唯一还不为人知。
通过独立的证据来源，我们验证了前25个DDR新预测中的22个是正确的。
这表明DDR可以作为一种识别正确DTIs的有效方法