Modified linear regression predicts drug-target interactions accurately

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F20%3A10416950" target="_blank" >RIV/00216208:11320/20:10416950 - isvavai.cz</a>

Výsledek na webu

<a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=jIkSBxUjb" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=jIkSBxUjb</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1371/journal.pone.0230726" target="_blank" >10.1371/journal.pone.0230726</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Modified linear regression predicts drug-target interactions accurately

Popis výsledku v původním jazyce

State-of-the-art approaches for the prediction of drug-target interactions (DTI) are based on various techniques, such as matrix factorisation, restricted Boltzmann machines, network-based inference and bipartite local models (BLM). In this paper, we propose the framework of Asymmetric Loss Models (ALM) which is more consistent with the underlying chemical reality compared with conventional regression techniques. Furthermore, we propose to use an asymmetric loss model with BLM to predict drug-target interactions accurately. We evaluate our approach on publicly available real-world drug-target interaction datasets. The results show that our approach outperforms state-of-the-art DTI techniques, including recent versions of BLM.

Název v anglickém jazyce

Modified linear regression predicts drug-target interactions accurately

Popis výsledku anglicky

State-of-the-art approaches for the prediction of drug-target interactions (DTI) are based on various techniques, such as matrix factorisation, restricted Boltzmann machines, network-based inference and bipartite local models (BLM). In this paper, we propose the framework of Asymmetric Loss Models (ALM) which is more consistent with the underlying chemical reality compared with conventional regression techniques. Furthermore, we propose to use an asymmetric loss model with BLM to predict drug-target interactions accurately. We evaluate our approach on publicly available real-world drug-target interaction datasets. The results show that our approach outperforms state-of-the-art DTI techniques, including recent versions of BLM.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10600 - Biological sciences

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

PLoS One

ISSN

1932-6203

e-ISSN

—

Svazek periodika

15

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

18

Strana od-do

e0230726

Kód UT WoS článku

000535955000017

EID výsledku v databázi Scopus

2-s2.0-85082962524