基于相似性核融合预测药物-疾病关联与药物-副作用关联

作     者：高楚翘 

作者单位：天津大学 

学位级别：硕士

导师姓名：杜朴风;张家琳

授予年度：2022年

学科分类：1006[医学-中西医结合] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 10[医学] 100602[医学-中西医结合临床] 

主      题：药物重定位 药物-疾病关联 药物-副作用关联 相似性核融合 拉普拉斯正则化最小二乘法 

摘      要：从现有药物中发现潜在适应症能够减少药物研究开发的时间和成本。同时,预测现有药物的潜在副作用可以实现合理的配伍用药,提高药物疗效,减少药物副作用。药物重新定位和预测药物副作用是药物开发过程中的有效策略。基于药物、疾病以及副作用的相似性,已经引入了许多系统的计算药物重定位以及预测药物-副作用潜在关联的方法。本文提出了两种计算模型:DDA-SKF(Drug-Disease Associations prediction using Similarity Kernels Fusion,DDA-SKF)和DSA-SKF(Drug-Side effect Associations prediction using Similarity Kernels Fusion,DSA-SKF),通过利用相似性核融合算法(Similarity Kernels Fusion,SKF)和拉普拉斯正则化最小二乘算法(Laplacian Regularized Least Ssquares,Lap RLS)整合多个相似性核预测新的关联。首先利用药物、疾病以及副作用的多方面信息构建多个相似性核,接着使用SKF算法将多个相似性核整合为一个综合相似性核,最后使用Lap RLS算法构建DDA-SKF模型与DSA-SKF模型。本文利用不同的评估方法评估模型的预测性能,实验结果显示DDA-SKF与DSA-SKF的预测性能优于或至少可与所有最先进的方法相媲美。此外,本文对SKF算法的综合评估表明SKF对于预测性能提升显著。值得注意的是,DDA-SKF可以在疾病之间没有足够的相似性信息的情况下工作,这一特点能够用于预测孤儿药物的新用途。DDA-SKF模型的源代码和基准数据集存放在Git Hub仓库中(https://***/GCQ2119216031/DDA-SKF)。