MOKPE: drug–target interaction prediction via manifold optimization based kernel preserving embedding
1. 本研究の学術的な背景と研究が解決する問題は何ですか？
==> バイオインフォマティクスの多くのアプリケーションでは、異なる異種情報源からのデータを扱う必要があります。その中でも、薬物標的相互作用の同定（DTI）は薬物の発見において重要な問題です。本研究では、異種データのモデリング問題を効率的に解決するための新しいフレームワーク、manifold optimization based kernel preserving embedding（MOKPE）を提案しています。
2. 本研究の目的及び学術的独自性と創造性は何ですか？
==> 本研究の目的は、異種データのモデリング問題を解決することで、DTIの予測性能の向上に貢献することです。我々の提案するモデルは、薬物データとターゲットデータを統合された埋め込み空間に射影することにより、薬物 - ターゲット相互作用と薬物 - 薬物、ターゲット - ターゲット類似性を同時に保存することができます。
3. 研究の着想を得た経緯や、関連する国内外の研究動向とは何ですか？
==> 薬物標的相互作用の推定には、多様な手法が提案されていますが、異種データのモデリング問題に取り組むための研究は未だ限られています。
4. 本研究で何をどのように、どこまで明らかにした？
==> 本研究では、異種データのモデリング問題を解決するための新しいフレームワークであるMOKPEを提案しました。薬物 - ターゲット相互作用の予測性能が、従来の類似性ベースの方法に比べて優れていることが示されました。
5. 本研究の有効性はどのように検証した？
==> 本研究では、4つの異なるDTIネットワークデータセットで10回の10分割交差検証を行い、未知の薬物に対するDTIの予測精度が従来の類似性ベースの方法よりも優れていることが示されました。また、予測に対するMOKPEの有効性を評価するために、あるネットワークの未知のDTIを予測しました。