基于失衡數(shù)據(jù)挖掘的藥物靶點預測方法研究.pdf

1、藥物靶點的發(fā)現(xiàn)和定位是新藥研究成功的關鍵。進入后基因組時代，伴隨著化學基因組以及藥理學技術的飛速發(fā)展涌現(xiàn)出了數(shù)量龐大的潛在靶點和海量的生物活性數(shù)據(jù)。然而在藥物靶點的研究中，到目前為止，被臨床驗證的藥物靶點的數(shù)量還很少，迄今為止只有約500個藥物靶點。究其原因，有一部分原因是因為隨著冗余數(shù)據(jù)的積累，僅憑著簡單的分析方法已經(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，準確度和費用的限制，實驗手段的應用難以廣泛開展。而作為一類快

2、速、低成本的方法，應對大量的數(shù)據(jù)，基于數(shù)據(jù)挖掘技術的藥物靶點預測方法正受到越來越多的重視。
　　基于這個背景，本文探討了基于失衡數(shù)據(jù)挖掘的藥物靶點預測，以加快藥物靶點發(fā)現(xiàn)過程，節(jié)約成本。從眾多蛋白質(zhì)中預測藥物靶點是一個典型的數(shù)據(jù)失衡問題，在用分類器進行預測時準確率會出現(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的少數(shù)類樣本合成過采樣技術SMOTE(synthetic minority oversampling te

3、chnique)算法先對數(shù)據(jù)進行預處理，增加少數(shù)類樣本個數(shù)，平衡藥物靶點和非藥物靶點的數(shù)量比。在此基礎上從算法層面使用引入集成學習的SVM分類器進行藥物靶點的預測，相比單一的SVM分類器，該方法提高了預測模型的泛化性能。
　　為了論證所提出方法的有效性，本文首先構建兩組數(shù)據(jù)集，一個數(shù)據(jù)集由所有的人類蛋白質(zhì)數(shù)據(jù)構成，另一個數(shù)據(jù)集由在藥物靶點中占比較高的人類G蛋白偶聯(lián)受體數(shù)據(jù)構成。對數(shù)據(jù)集中每一個蛋白質(zhì)提取其相對應的一級結構、多肽特征

4、及蛋白質(zhì)的基本理化性質(zhì)特征，作為訓練分類器的特征空間并進行特征選擇來降低分類器的學習負擔。之后對數(shù)據(jù)進行預處理，并通過對模型參數(shù)的調(diào)整構建最優(yōu)分類器。在實驗構建與分析部分分別用SVM分類器和Adaboost-SVM分類器對數(shù)據(jù)集進行分類，并分析比較了兩種分類器在數(shù)據(jù)預處理前后應用在兩組數(shù)據(jù)集上的實驗結果，兩組分類結果相互驗證，增加分類結果的可信度。實驗的結果驗證了本文提出的方法的有效性，同時表明本文所提出的方法可以有效對藥物靶點進行預測