MKDTI: Predicting drug-target interactions via multiple kernel fusion on graph attention network

现在，生物信息学数据可以用来计算预测药物靶标关系，这是了解药理学效应、提高药物开发效率和推进相关研究的有价值工具。现在出现了许多基于结构、基于配体和基于网络的方法。此外，将图注意力网络与复杂的药物靶标研究相结合是一个越来越受关注的应用领域。在我们的工作中，我们提出了一个名为MKDTI的模型，通过从图注意力网络的各个层嵌入中提取核信息来实现。这种组合提高了对新型药物靶标关系的预测能力。我们首先使用药物和靶标的异质数据构建药物靶标异质网络，然后使用自增强的多头图注意力网络提取每一层的潜在特征。接下来，我们利用每层的嵌入来计算提取核矩阵并融合多个核矩阵。最后，我们使用双拉普拉斯正则化最小二乘框架来预测新型药物靶标实体连接。这种预测可以通过整合与药物靶标相关的核矩阵来促进。我们使用AUPR和AUC来衡量模型的有效性。与基准算法相比，我们的模型在预测结果上表现更好。此外，我们进行了核选择实验。结果表明，多核融合方法结合由图注意力网络生成的核矩阵可以提供补充的见解，有助于提高预测的准确性。

论文试图通过计算预测药物靶标关系，从而提高药物开发效率和相关研究水平。同时，该论文也旨在探索使用图注意力网络与核矩阵提取的结合方法来预测药物靶标关系的有效性。

论文的关键思路是使用多层图注意力网络提取药物靶标网络中的特征，然后使用核矩阵提取方法将这些特征融合起来，最终通过双拉普拉斯正则化最小二乘框架预测药物靶标关系。

该论文使用了自己构建的药物靶标异质网络，并采用了自我增强的多头图注意力网络来提取网络中的特征。同时，论文还使用了核矩阵融合的方法来提高预测准确性，并在实验中展现了该方法的有效性。论文的实验结果表明，该模型在预测药物靶标关系方面的表现优于基准算法。此外，该论文还探讨了多核融合方法的有效性。

最近在这个领域中，还有一些相关的研究，如《DeepDTA: Prediction of Drug-Target Interactions using Deep Learning》、《GraphDTA: Predicting Drug-Target Binding Affinity with Graph Neural Networks》等。