高级搜索

基于药物互作网络的协同与拮抗预测研究

刘文斌 陈杰 方刚 石晓龙 许鹏

引用本文: 刘文斌, 陈杰, 方刚, 石晓龙, 许鹏. 基于药物互作网络的协同与拮抗预测研究[J]. 电子与信息学报, 2020, 42(6): 1420-1427. doi: 10.11999/JEIT190867 shu
Citation:  Wenbin LIU, Jie CHEN, Gang FANG, Xiaolong SHI, Peng XU. Prediction of Drug Synergy and Antagonism Based on Drug-Drug Interaction Network[J]. Journal of Electronics and Information Technology, 2020, 42(6): 1420-1427. doi: 10.11999/JEIT190867 shu

基于药物互作网络的协同与拮抗预测研究

    作者简介: 刘文斌: 男,1969年生,教授,研究方向为生物信息学;
    陈杰: 男,1994年生,硕士生,研究方向为生物信息学;
    方刚: 男,1969年生,教授,研究方向为生物信息学;
    石晓龙: 男,1975年生,教授,研究方向为生物信息学;
    许鹏: 男,1986年生,博士后,研究方向为生物信息学
    通讯作者: 刘文斌,wbliu6910@126.com
  • 基金项目: 国家重点研发计划(2019YFA0706402),国家自然科学基金(61572367, 61573017, 61972107, 61972109)

摘要: 药物的协同与拮抗关系预测,有助于药物的使用安全及组合用药的发展。该文从药物互作网络(DDINet)出发,基于网络拓扑结构构造分类特征,提出一种预测药物协同和拮抗关系的方法。从特征选择结果可知,根据药物与其公共邻居节点关系构造的特征表现出了明显的正负样本分布差距,能有效地反映出药物的协同或拮抗关系。在使用不同特征分类器的分类结果中,最优AUC和分类精度值分别达到了0.9687和0.9187。而在协同与拮抗关系预测结果中,其预测精度值达到了0.45和0.75以上。这说明基于网络拓扑结构的方法能有效对药物协同和拮抗关系进行分类和预测。与传统基于药物功能、结构、靶基因等相似性特征的方法相比,该方法计算简单高效,将会有效促进组合用药的发展。

English

    1. [1]

      VAN ROON E N, FLIKWEERT S, LE COMTE M, et al. Clinical relevance of drug-drug interactions[J]. Drug Safety, 2005, 28(12): 1131–1139. doi: 10.2165/00002018-200528120-00007

    2. [2]

      CHOU Tingchao. Theoretical basis, experimental design, and computerized simulation of synergism and antagonism in drug combination studies[J]. Pharmacological Reviews, 2006, 58(3): 621–681. doi: 10.1124/pr.58.3.10

    3. [3]

      LEHÁR J, KRUEGER A S, AVERY W, et al. Synergistic drug combinations tend to improve therapeutically relevant selectivity[J]. Nature Biotechnology, 2009, 27(7): 659–666. doi: 10.1038/nbt.1549

    4. [4]

      CHAIT R, CRANEY A, and KISHONY R. Antibiotic interactions that select against resistance[J]. Nature, 2007, 446(7136): 668–671. doi: 10.1038/nature05685

    5. [5]

      VENKATAKRISHNAN K, VON MOLTKE L L, OBACH R S, et al. Drug metabolism and drug interactions: Application and clinical value of in vitro models[J]. Current Drug Metabolism, 2003, 4(5): 423–459. doi: 10.2174/1389200033489361

    6. [6]

      PIRMOHAMED M and ORME M L. Drug Interactions of Clinical Importance[M]. DAVIES D M, FERNER R E, and DE GLANVILLE H. Davies's Textbook of Adverse Drug Reactions. 5th ed. London: Chapman & Hall, 1998: 888–912.

    7. [7]

      TAKEDA T, HAO Ming, CHENG Tiejun, et al. Predicting drug-drug interactions through drug structural similarities and interaction networks incorporating pharmacokinetics and pharmacodynamics knowledge[J]. Journal of Cheminformatics, 2017, 9: 16. doi: 10.1186/s13321-017-0200-8

    8. [8]

      FOKOUE A, SADOGHI M, HASSANZADEH O, et al. Predicting drug-drug interactions through large-scale similarity-based link prediction[C]. The 13th International Conference European Semantic Web Conference, Heraklion, Greece, 2016: 774–789. doi: 10.1007/978-3-319-34129-3_47.

    9. [9]

      VILAR S, HARPAZ R, URIARTE E, et al. Drug—drug interaction through molecular structure similarity analysis[J]. Journal of the American Medical Informatics Association, 2012, 19(6): 1066–1074. doi: 10.1136/amiajnl-2012-000935

    10. [10]

      VILAR S, URIARTE E, SANTANA L, et al. Detection of drug-drug interactions by modeling interaction profile fingerprints[J]. PLoS One, 2013, 8(3): e58321. doi: 10.1371/journal.pone.0058321

    11. [11]

      KASTRIN A, FERK P, and LESKOŠEK B. Predicting potential drug-drug interactions on topological and semantic similarity features using statistical learning[J]. PLoS One, 2018, 13(5): e0196865. doi: 10.1371/journal.pone.0196865

    12. [12]

      CHENG Feixiong and ZHAO Zhongming. Machine learning-based prediction of drug-drug interactions by integrating drug phenotypic, therapeutic, chemical, and genomic properties[J]. Journal of the American Medical Informatics Association, 2014, 21(e2): e278–e286. doi: 10.1136/amiajnl-2013-002512

    13. [13]

      RYU J Y, KIM H U, and LEE S Y. Deep learning improves prediction of drug-drug and drug-food interactions[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(18): E4304–E4311. doi: 10.1073/pnas.1803294115

    14. [14]

      LUO Heng, ZHANG Ping, HUANG Hui, et al. DDI-CPI, a server that predicts drug-drug interactions through implementing the chemical-protein interactome[J]. Nucleic Acids Research, 2014, 42(W1): W46–W52. doi: 10.1093/nar/gku433

    15. [15]

      ZHANG Ping, WANG Fei, HU Jianying, et al. Label propagation prediction of drug-drug interactions based on clinical side effects[J]. Scientific Reports, 2015, 5: 12339. doi: 10.1038/srep12339

    16. [16]

      LIU Lili, CHEN Lei, ZHANG Yuhang, et al. Analysis and prediction of drug-drug interaction by minimum redundancy maximum relevance and incremental feature selection[J]. Journal of Biomolecular Structure and Dynamics, 2017, 35(2): 312–329. doi: 10.1080/07391102.2016.1138142

    17. [17]

      TAKARABE M, SHIGEMIZU D, KOTERA M, et al. Network-based analysis and characterization of adverse drug-drug interactions[J]. Journal of Chemical Information and Modeling, 2011, 51(11): 2977–2985. doi: 10.1021/ci200367w

    18. [18]

      GOTTLIEB A, STEIN G Y, ORON Y, et al. INDI: A computational framework for inferring drug interactions and their associated recommendations[J]. Molecular Systems Biology, 2012, 8: 592. doi: 10.1038/msb.2012.26

    19. [19]

      WISHART D S, FEUNANG Y D, GUO A C, et al. DrugBank 5.0: A major update to the DrugBank database for 2018[J]. Nucleic Acids Research, 2017, 46(D1): D1074–D1082. doi: 10.1093/nar/gkx1037

    20. [20]

      CORTES C and VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273–297. doi: 10.1007/bf00994018

    21. [21]

      陈素根, 吴小俊. 基于特征值分解的中心支持向量机算法[J]. 电子与信息学报, 2016, 38(3): 557–564. doi: 10.11999/JEIT150693
      CHEN Sugen and WU Xiaojun. Eigenvalue proximal support vector machine algorithm based on eigenvalue decoposition[J]. Journal of Electronics &Information Technology, 2016, 38(3): 557–564. doi: 10.11999/JEIT150693

    22. [22]

      汪廷华, 田盛丰, 黄厚宽. 特征加权支持向量机[J]. 电子与信息学报, 2009, 31(3): 514–518. doi: 10.3724/SP.J.1146.2007.01711
      WANG Tinghua, TIAN Shengfeng, and HUANG Houkuan. Feature weighted support vector machine[J]. Journal of Electronics &Information Technology, 2009, 31(3): 514–518. doi: 10.3724/SP.J.1146.2007.01711

    23. [23]

      WU Shaomin and FLACH P. A scored AUC metric for classifier evaluation and selection[C]. ICML 2005 Workshop on ROC Analysis in Machine Learning, Bonn, Germany, 2005.

    24. [24]

      HOSSIN M and SULAIMAN M N. A review on evaluation metrics for data classification evaluations[J]. International Journal of Data Mining & Knowledge Management Process, 2015, 5(2): 1–11. doi: 10.5121/ijdkp.2015.5201

    25. [25]

      ARLOT S and CELISSE A. A survey of cross-validation procedures for model selection[J]. Statistics Surveys, 2010, 4: 40–79. doi: 10.1214/09-SS054

    26. [26]

      LIU Weiping and LÜ Linyuan. Link prediction based on local random walk[J]. EPL (Europhysics Letters) , 2010, 89(5): 58007. doi: 10.1209/0295-5075/89/58007

    27. [27]

      TANG Jiliang, ALELYANI S, and LIU Huan. Feature Selection for Classification: A Review[M]. AGGARWAL C C. Data Classification: Algorithms and Applications. New York: CRC Press, 2014: 37.

    1. [1]

      刘文斌, 吴倩, 杜玉改, 方刚, 石晓龙, 许鹏. 基于个性化网络标志物的药物推荐方法研究. 电子与信息学报, 2020, 42(6): 1340-1347.

    2. [2]

      刘焕淋, 胡会霞, 陈勇, 温濛, 王展鹏. 节点中介性和频谱离散度感知虚拟光网络生存性协同映射. 电子与信息学报, 2020, 41(0): 1-7.

    3. [3]

      刘凤增, 肖兵, 陈施思, 陈嘉勋. 负载作用下相依网络择优恢复方法研究. 电子与信息学报, 2020, 42(7): 1694-1701.

    4. [4]

      刘政怡, 刘俊雷, 赵鹏. 基于样本选择的RGBD图像协同显著目标检测. 电子与信息学报, 2020, 42(0): 1-8.

    5. [5]

      谢涛, 张春炯, 徐永健. 基于历史梯度平均方差缩减的协同参数更新方法. 电子与信息学报, 2020, 42(0): 1-9.

    6. [6]

      李劲松, 彭建华, 刘树新, 季新生. 一种基于线性规划的有向网络链路预测方法. 电子与信息学报, 2020, 41(0): 1-9.

    7. [7]

      刘焕淋, 杜理想, 陈勇, 王展鹏. 基于灾难预测多区域故障的虚拟光网络生存性映射. 电子与信息学报, 2020, 42(7): 1710-1717.

    8. [8]

      马彬, 王梦雪, 谢显中. 超密集异构无线网络中基于位置预测的切换算法. 电子与信息学报, 2020, 42(0): 1-9.

    9. [9]

      吴仁彪, 赵娅倩, 屈景怡, 高爱国, 陈文秀. 基于CBAM-CondenseNet的航班延误波及预测模型. 电子与信息学报, 2020, 41(0): 1-9.

    10. [10]

      褚征, 于炯. 基于随机森林的流处理检查点性能预测. 电子与信息学报, 2020, 42(6): 1452-1459.

    11. [11]

      许鹏, 王兵, 方刚, 石晓龙, 刘文斌. 基于可变剪接紊乱的乳腺癌亚型预测分析. 电子与信息学报, 2020, 42(6): 1348-1354.

    12. [12]

      宋人杰, 张元东. 基于感兴趣区域的高性能视频编码帧内预测优化算法. 电子与信息学报, 2020, 42(0): 1-7.

    13. [13]

      吕敬祥, 罗文浪. 无线传感网络量化及能量优化策略. 电子与信息学报, 2020, 42(5): 1118-1124.

    14. [14]

      徐瑨, 吴慧慈, 陶小峰. 5G网络空间安全对抗博弈. 电子与信息学报, 2020, 41(0): 1-11.

    15. [15]

      唐伦, 魏延南, 谭颀, 唐睿, 陈前斌. H-CRAN网络下联合拥塞控制和资源分配的网络切片动态资源调度策略. 电子与信息学报, 2020, 42(5): 1244-1252.

    16. [16]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报, 2020, 41(0): 1-7.

    17. [17]

      游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法. 电子与信息学报, 2020, 41(0): 1-6.

    18. [18]

      向敏, 饶华阳, 张进进, 陈梦鑫. 基于GCN的软件定义电力通信网络路由控制策略. 电子与信息学报, 2020, 42(0): 1-8.

    19. [19]

      归伟夏, 陆倩, 苏美力. 关于系统级故障诊断的烟花-反向传播神经网络算法. 电子与信息学报, 2020, 42(5): 1102-1109.

    20. [20]

      杨书新, 梁文, 朱凯丽. 基于三级邻居的复杂网络节点影响力度量方法. 电子与信息学报, 2020, 42(5): 1140-1148.

  • 图 1  药物Di和Dj的1阶邻居节点拓扑关系示意

    图 2  特征x1x5在正负样本中的分布

    图 3  特征y1y5, z1在正负样本中的分布

    图 4  特征x3, x4, y2, y3, y4, z1在正负样本中的分布

    图 5  不同特征组合的ROC曲线

    图 6  不同f取值对应的预测样本分布情况

    图 7  不同f, L取值下的协同、拮抗关系预测精度

  • 加载中
图(7)
计量
  • PDF下载量:  33
  • 文章访问数:  849
  • HTML全文浏览量:  320
文章相关
  • 通讯作者:  刘文斌, wbliu6910@126.com
  • 收稿日期:  2019-11-01
  • 录用日期:  2020-01-15
  • 网络出版日期:  2020-02-18
  • 刊出日期:  2020-06-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章