CME-KGDTI：将聚类突变整合到知识图谱嵌入中以预测药物-靶点相互作用

《BioData Mining》：CME-KGDTI: integrating clustered mutations into knowledge graph embedding for drug-target interaction prediction

　　

摘要

背景

药物-靶点相互作用（DTI）的计算机预测对药物发现和精准医疗而言至关重要。在此，我们构建了一个富含生物学信息的异构知识图谱（KG），整合了聚集性突变、合成致死相互作用、药物结构、蛋白质序列以及功能注释等信息。这一多维度框架旨在通过利用多层生物网络特征，帮助识别可操作的诊断标志物及精准治疗策略。

结果

利用多种图嵌入技术（TransE、RotatE、DistMult、Node2vec和R-GCN），将该知识图谱中的实体嵌入到低维向量中。这些多模态嵌入数据被用作深度学习模型（DNN、NFM、AutoInt）的输入，同时还会进行标准化处理及基于PCA的降维操作。在较为复杂的蛋白质冷启动场景下，CME-KGDTI模型的表现更为优异。这些结果表明，多源生物信息有助于提升阳性样本的识别率以及模型的整体泛化能力。此外，我们还开发了CME-KGDTI平台（https://www.tmliang.cn/cmekgdti/#/home），该平台整合了聚集性突变识别、针对癌症的基于SL的遗传网络、DTI预测以及多组学分析等功能，让用户能够全面了解突变检测、靶点优先级判定以及相关机制。

结论

由于融入了生物学特征，CME-KGDTI模型具有较高的准确度且具备较强的泛化能力，这凸显了它在药物靶点发现过程中的重要辅助作用。所开发的CME-KGDTI平台将作为一个灵活、交互性强且易于使用的技术支持平台，为精准肿瘤学研究的发展做出贡献。