DRP-VEM：使用投票集成的药物再定位预测
摘要：传统的药物发现方法成本高且耗时长。药物重新定位（DR）是一种克服这些问题的常见策略。最近，机器学习方法在DR问题中得到了广泛应用。这些方法的性能取决于特征、表示和训练数据集。在这个问题中，特征集包括许多冗余的特征，这对方法的性能产生了负面影响。此外，选择合适的训练集对机器学习方法的准确性产生了重要影响。然而，在这个问题中，我们面临两个障碍来找到合适的训练集。首先，大多数方法采用已知和未知的药物-疾病对作为正负集。虽然已知对的数量远少于未知对，但这导致机器学习性能错误，因为偏向多数群体。其次，缺乏药物-疾病关联意味着这种关联尚未经过实验证实，可能会改变。本文提出了DRP-VEM框架来克服这些挑战。我们根据不同的参数评估DRP-VEM：疾病和药物特征表示、分类方法以及投票集成训练方法。使用异质评估标准对DRP-VEM进行评估。此外，我们使用最佳参数组合比较DRP-VEM和DisDrugPred。
作者：Zahra Ghorbanali, Fatemeh Zare-Mirakabad, Bahram Mohammadpour
论文ID：2110.01403
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2021-10-05