球形演化极限学习机在药物—靶标相互作用智能预测中的应用

为解决药物研发中湿法实验耗时长且高成本等问题，采用机器学习预测药物-靶标相互作用。同时，为解决机器学习在建立药物-靶标相互作用模型时，受到分类器的类不平衡和参数优化等各种问题的制约。文章提出了一个基于球形演化极限学习机的药物-靶相互作用预测方法(SEELM-DTI),该方法主要使用筛选法选择高置信负样本、利用球形演化算法对极限学习机的参数进行优化。该研究将SEELM-DTI与SELF-BLM、NetLapRLS、WNN-GIP、SPLCMF、BLM-NII在基准数据集中进行试验比较，评价指标为AUC与AUPR。实验结果表明：SEELM-DTI的性能和效果优于其他基准算法，并且解决了类不平衡和参数优化问题，最后在常用的多个药物数据库上验证了SEELM-DTI预测药物-靶标相互作用的效果。