0% Complete
English
صفحه اصلی
/
پانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش
Improving Drug-Target Interaction Prediction Using Enhanced Feature Selection
نویسندگان :
Maryam Taheri
1
Mohammad Reza Keyvanpour
2
Mohadeseh Saadat Mousavi
3
1- دانشگاه الزهرا(س)
2- دانشگاه الزهرا(س)
3- دانشگاه الزهرا(س)
کلمات کلیدی :
drug-target interaction،feature selection،random forest،data balancing،decision tree،Borderline-SMOTE
چکیده :
A deep understanding of drug-target interaction (DTI) mechanisms is essential for the design of effective and safe drugs. While traditional wet lab experiments play a critical role, they are often associated with significant time and financial investments. Therefore, computational methods based on interaction prediction can significantly reduce the search space for the mentioned experiments. This paper outlines an innovative multistage approach for the prediction of DTI. Feature vectors, comprising various descriptors and the drug-encoded FP2 fingerprint, are extracted from protein sequences and drug structures in the first step. Protein sequences and drug structures are initially processed to extract feature vectors, including various descriptors and the drug-encoded FP2 fingerprint. One major obstacle in this field is the data imbalance caused by the limited number of known interactions. The FFS-RF-DT algorithm, a powerful combination of forward feature selection, random forest and decision tree classification, is subsequently used to optimize predictive performance. This effectively eliminates irrelevant features, resulting in a more focused and efficient model. At the final stage, the XGBoost classifier processes the balanced dataset containing the optimal features to predict DTIs, yielding new drug-target interactions. The proposed model demonstrated better performance, achieving an accuracy of 96.96%, representing a 5.5% improvement over other models. In addition to its superior classification performance, the proposed model exhibits a much lower time complexity than comparable models. This makes it a promising candidate for DTI applications. چکیده- درک عمیق مکانیسمهای تعامل دارو-هدف (DTI) برای طراحی داروهای مؤثر و ایمن ضروری است. در حالی که آزمایش های آزمایشگاهی مرطوب سنتی نقش مهمی ایفا می کنند، اغلب با سرمایه گذاری های زمانی و مالی قابل توجهی همراه هستند. بنابراین، روشهای محاسباتی مبتنی بر پیشبینی تعامل میتواند فضای جستجوی موارد ذکر شده را به میزان قابل توجهی کاهش دهد آزمایشات این مقاله یک رویکرد چند مرحله ای ابتکاری را برای پیش بینی DTI ترسیم می کند. بردارهای ویژگی، شامل توصیفگرهای مختلف و اثر انگشت FP2 کدگذاری شده با دارو، در مرحله اول از توالی پروتئین و ساختارهای دارویی استخراج میشوند. توالی های پروتئینی و ساختارهای دارویی در ابتدا برای استخراج بردارهای ویژگی، از جمله توصیفگرهای مختلف و اثر انگشت FP2 رمزگذاری شده با دارو، پردازش می شوند. یکی از موانع اصلی در این زمینه داده ها است عدم تعادل ناشی از تعداد محدودی از تعاملات شناخته شده. الگوریتم FFS-RF-DT، ترکیبی قدرتمند از انتخاب ویژگی رو به جلو و درخت تصمیم گیری تصادفی پیش بینی، طبقه بندی، متعاقباً برای بهینه سازی عملکرد پیش بینی استفاده می شود. این به طور موثر ویژگی های نامربوط را حذف می کند و در نتیجه یک مدل متمرکزتر و کارآمدتر ایجاد می کند. در مرحله نهایی، طبقهبندیکننده XGBoost مجموعه دادههای متعادل حاوی ویژگیهای بهینه را برای پیشبینی DTI پردازش میکند، و تعاملات دارویی-هدف جدیدی را ایجاد میکند. پیشنهادی مدل عملکرد بهتری را نشان داد و به دقت 96.96 درصد رسید که نشان دهنده بهبود 5.5 درصدی نسبت به سایر مدل ها است. علاوه بر عملکرد طبقهبندی برتر، مدل پیشنهادی پیچیدگی زمانی بسیار پایینتری نسبت به مدلهای قابل مقایسه نشان میدهد. این آن را به یک نامزد امیدوار کننده برای برنامه های DTI تبدیل می کند.
لیست مقالات
لیست مقالات بایگانی شده
پیشبینی حجم ترافیک شهری با استفاده از دادههای سرویس نشان مورد مطالعاتی: خیابان کمال اصفهان
مهسا لطیفی - جمشید مالکی
An Eco-Friendly Cosmopolitan (EFC) by Recycling Scientific/Industrial Towns (RSITs)
Engineer Reza Khalilian - Dr. Abdalhossein Rezai - Dr. Mohammadreza Talakesh
کشف لبه در تصاویر پزشکی با استفاده از اتوماتای سلولی سلسله مراتبی
مریم علینقی زاده - علیرضا رضوانیان
Stock Market Prediction Using Hard and Soft Data Fusion
Saeed Mohammadi Dashtaki - Masoud Alizadeh - Behzad Moshiri
Classification of mental states of human concentration based on EEG signal
Mehran Safari Dehnavi - Vahid Safari Dehnavi - Dr Masoud Shafiee
A Hybrid Method to Reduce the Voltage Consumption in the Spiking Neural Networks
Shaghayegh Mehdizadeh saraj - Seyyed Amir Asghari - Mohammadreza Binesh Marvasti
پیشبینی بستری مجدد بیماران با استفاده از استخراج مفاهیم زیستپزشکی از متون بالینی
فهیمه شاهرخ شهرکی - رسول سامانی - دکتر ناصر قدیری فهیمه شاهرخ شهرکی - رسول سامانی - ناصر قدیری -
A Hybrid Crow Search and Penguin Optimization Algorithm (CPMM) for Efficient Cloud Workflow Scheduling
Reza Akraminejad - Farhad Kazemipour - Mozhdeh Koreh Davoodi
یک روش انتخاب ویژگی نیمهنظارتی جدید بر اساس منظمسازی هسین
دکتر راضیه شیخ پور راضیه شیخ پور -
استخراج ویژگی مجموعه دادههای پزشکی دارای ابعاد بالا با استفاده از برنامه نویسی ژنتیک چند منظوره
سحر فقیهی راد - دکتر سیده نفیسه آل محمد سحر فقیهی راد - سیده نفیسه آل محمد -
بیشتر
ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 41.3.1