浙江大學藥學院侯廷軍課題組在Nature Communications報道基于知識圖譜和推薦系統的藥物-靶標互作預測新方法
藥物和靶標之間的相互作用是藥物發現的一個重要研究領域，在藥物虛擬篩選、老藥新用、藥物毒副作用研究等新藥開發環節起著至關重要的作用。基于生物實驗的傳統藥物靶標驗證方法精度低、成本高、周期長的缺陷，因此通過計算模擬的方法預測藥物和靶標間相互作用是非常必要的。對于藥物-靶標相互作用預測的方法，引入基因組學、蛋白組學和藥理學等異構數據可以提高稀疏數據集上的預測精度，但如何系統且高效地整合大規模異構數據是當前的研究難點。
2021年10月，浙江大學藥學院&智能創新藥物研究院侯廷軍團隊、浙江大學控制學院賀詩波團隊、中南大學曹東升團隊和騰訊量子實驗室聯合在《自然·通訊》（NatureCommunications）發表論文“A unifieddrug-target interaction prediction framework based on knowledge graph and recommendation system”，提出了一種基于知識圖譜和推薦系統的藥物靶標相互作用預測新方法。該方法高效地整合多組學的信息，為全新藥物-靶標相互作用對的發現提供了功能強大的計算工具。
為了解決傳統方法中存在的數據稀疏性、冷啟動問題，作者通過知識圖譜對可利用的異構數據進行建模，無需節點間的相似性計算，簡單高效地整合了不同來源的組學數據。在基于知識圖譜的信息表征基礎上，該方法結合推薦系統方法--神經因子分解機進行藥物靶標相互作用預測，有效去除了復雜生物網絡中的噪聲，并整合藥物和蛋白結構信息的傳統表征方式，進一步保證在真實場景下高精度，高穩定性的預測性能。
在三類貼近真實應用的測試場景中，KGE_NFM均保持了高精度的預測性能，尤其是在對于靶標蛋白的冷啟動場景下，KGE_NFM在四個基準數據集上相比于傳統方法有著15%～30%的預測精度的提升。結果表明KGE_NFM是一種極具競爭力的藥物-靶標相互作用預測方法，有望促進復雜疾病蛋白質靶點的發現和分子作用機制的闡明。
浙江大學智能創新藥物研究院和藥學院為本論文的第一署名單位，浙江大學藥學院和控制學院聯培博士生葉青和騰訊量子實驗室謝昌諭博士為共同第一作者，浙江大學侯廷軍教授、浙江大學賀詩波教授、中南大學曹東升教授為共同通訊作者。
原文鏈接：https://www.nature.com/articles/s41467-021-27137-3
