清华大学陈立功，曾坚阳Nature子刊合作发表药物-标靶相互作用预测的新颖机器学习算法

清华大学药学院陈立功课题组和交叉信息学院曾坚阳课题组在《自然·通讯》合作发表药物-标靶相互作用预测的新颖机器学习算法

　　

清华大学药学院陈立功课题组和交叉信息学院曾坚阳课题组合作开展的关于大规模异构网络中药物-标靶相互作用预测的论文“A Network Integration Approach for Drug-Target Interaction Prediction and Computational Drug Repositioning from Heterogeneous Information”于近日发表在《自然·通讯》（Nature Communications） 。该工作提出了一套预测药物-标靶相互作用的新颖机器学习算法，预测并发现了新的药物-标靶基因相互作用关系，并且得到了湿实验验证。该工作对大规模生物数据整合及预测、药物开发与重新利用具有很大意义。

药物-标靶相互作用预测是药物发现和重定位的关键步骤。大规模基因组、化学和药理数据的出现为药物-标靶相互作用预测提供了新的机会，但如何系统且高效地整合大规模异构数据是当前的研究难点。

陈立功研究员和曾坚阳教授提出了一套全新的药物-标靶相互作用预测方法，该工作从目前已有的大规模数据库出发，整理了一套完善的可作为靶标-药物相互作用网络预测标准的基准数据。该套数据包括描述标靶基因、药物、药物副作用、疾病等相互作用或者联系的异构网络数据。该套数据不但可以用来衡量不同预测算法的精确度，也可用来预测新的靶标-药物相互作用关系，同时也可以用来药物未知的副作用或者药物之间的相互作用等。

其次，在这套异构网络数据的基础上，提出了一个基于网络扩散的药物-靶标相互作用预测的新型算法。与现有常见的预测算法的比较，在预测准确率上取得了显著的提高。此外，以整套数据作为训练数据并预测新型的靶标相互作用关系，该方法所预测的相互关系大部分能够从已知的数据库或者文献中其它实验数据获得证实。

对于剩余的文献中少有记载的所预测的新的药物-靶标相互作用关系，曾坚阳研究组同清华大学医学院的陈立功实验室进行合作，对这些作用关系进行湿实验验证。该验证工作对本方法所预测的能够跟靶标PTGS1和PTGS2相互作用的三个药物，包括Alendronate，Telmisartan和Chlorpropamide，进行了一系列湿实验验证。

除了验证药物作用的IC50值外，研究人员也进一步分析了这些药物对靶标的下游基因表达的影响，并同时观察了它们对炎症因子表达的影响。湿实验验证结果显示这三个药物能够同PTGS1和PTGS2相互作用，因此说明它们也可能具有抗炎症的功能。这对这三个药物的重新定位及后续相关研究具有重要的指导意义。

特别值得一提的是，该论文的共同第一作者包括药学院2012级本科生周镜天(目前正在美国加州大学圣地亚哥分校攻读博士学位) 、药学院博士生赵心彬以及交叉信息学院姚班2012级本科生罗宇男(目前正在美国伊利诺伊大学香槟分校攻读博士学位) 。论文通讯作者为陈立功研究员、曾坚阳研究员和Jian Peng教授。该项研究得到国家自然科学基金、中组部青年****，清华大学自主科研计划和生命科学联合中心支持。

原文标题：

A Network Integration Approach for Drug-Target Interaction Prediction and Computational Drug Repositioning from Heterogeneous Information