基于失衡數(shù)據(jù)挖掘的藥物靶點(diǎn)預(yù)測(cè)方法研究.pdf

1、藥物靶點(diǎn)的發(fā)現(xiàn)和定位是新藥研究成功的關(guān)鍵。進(jìn)入后基因組時(shí)代，伴隨著化學(xué)基因組以及藥理學(xué)技術(shù)的飛速發(fā)展涌現(xiàn)出了數(shù)量龐大的潛在靶點(diǎn)和海量的生物活性數(shù)據(jù)。然而在藥物靶點(diǎn)的研究中，到目前為止，被臨床驗(yàn)證的藥物靶點(diǎn)的數(shù)量還很少，迄今為止只有約500個(gè)藥物靶點(diǎn)。究其原因，有一部分原因是因?yàn)殡S著冗余數(shù)據(jù)的積累，僅憑著簡(jiǎn)單的分析方法已經(jīng)不能滿足高通量大規(guī)模數(shù)據(jù)分析的需求，而傳統(tǒng)的方法由于通量，準(zhǔn)確度和費(fèi)用的限制，實(shí)驗(yàn)手段的應(yīng)用難以廣泛開展。而作為一類快

2、速、低成本的方法，應(yīng)對(duì)大量的數(shù)據(jù)，基于數(shù)據(jù)挖掘技術(shù)的藥物靶點(diǎn)預(yù)測(cè)方法正受到越來越多的重視。
　　基于這個(gè)背景，本文探討了基于失衡數(shù)據(jù)挖掘的藥物靶點(diǎn)預(yù)測(cè)，以加快藥物靶點(diǎn)發(fā)現(xiàn)過程，節(jié)約成本。從眾多蛋白質(zhì)中預(yù)測(cè)藥物靶點(diǎn)是一個(gè)典型的數(shù)據(jù)失衡問題，在用分類器進(jìn)行預(yù)測(cè)時(shí)準(zhǔn)確率會(huì)出現(xiàn)不同程度下降，因此本文在數(shù)據(jù)層面上首先采用基于遺傳算法改進(jìn)的少數(shù)類樣本合成過采樣技術(shù)SMOTE(synthetic minority oversampling te

3、chnique)算法先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，增加少數(shù)類樣本個(gè)數(shù)，平衡藥物靶點(diǎn)和非藥物靶點(diǎn)的數(shù)量比。在此基礎(chǔ)上從算法層面使用引入集成學(xué)習(xí)的SVM分類器進(jìn)行藥物靶點(diǎn)的預(yù)測(cè)，相比單一的SVM分類器，該方法提高了預(yù)測(cè)模型的泛化性能。
　　為了論證所提出方法的有效性，本文首先構(gòu)建兩組數(shù)據(jù)集，一個(gè)數(shù)據(jù)集由所有的人類蛋白質(zhì)數(shù)據(jù)構(gòu)成，另一個(gè)數(shù)據(jù)集由在藥物靶點(diǎn)中占比較高的人類G蛋白偶聯(lián)受體數(shù)據(jù)構(gòu)成。對(duì)數(shù)據(jù)集中每一個(gè)蛋白質(zhì)提取其相對(duì)應(yīng)的一級(jí)結(jié)構(gòu)、多肽特征

4、及蛋白質(zhì)的基本理化性質(zhì)特征，作為訓(xùn)練分類器的特征空間并進(jìn)行特征選擇來降低分類器的學(xué)習(xí)負(fù)擔(dān)。之后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并通過對(duì)模型參數(shù)的調(diào)整構(gòu)建最優(yōu)分類器。在實(shí)驗(yàn)構(gòu)建與分析部分分別用SVM分類器和Adaboost-SVM分類器對(duì)數(shù)據(jù)集進(jìn)行分類，并分析比較了兩種分類器在數(shù)據(jù)預(yù)處理前后應(yīng)用在兩組數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，兩組分類結(jié)果相互驗(yàn)證，增加分類結(jié)果的可信度。實(shí)驗(yàn)的結(jié)果驗(yàn)證了本文提出的方法的有效性，同時(shí)表明本文所提出的方法可以有效對(duì)藥物靶點(diǎn)進(jìn)行預(yù)測(cè)