Identification of drug-target protein interactions (DTIs) is important in drug discovery fields. Diverse computational methods have been proposed to find out DTIs efficiently. The dataset generally used in training has only a small number of DTIs, so that many drug-target pairs have no interaction label. Most studies did not consider the mentioned characteristics of the DTI dataset and usually did not utilize the unlabeled data well. In this paper, we predict DTIs by using the features of drugs and targets. In the proposed prediction method, two main models proceed in sequence. The first model is the autoencoder model with multiple hidden layers. By only using the features of arbitrary drug-target pairs as the inputs, the autoencoder is trained without any label information in an unsupervised learning manner. The latent features from the autoencoder are used as the inputs of the second model. In the subsequent model, we train a deep neural network (DNN) classifier with the proposed semi-supervised learning method. Both unlabeled data and labeled data are utilized for training the classifier. The DNN classifier trained by the proposed unified model shows the best performance in all evaluation metrics compared to other supervised models utilizing only labeled data in training.
신약 개발 분야에서 약물과 타겟 단백질 간 상호작용을 찾는 것은 중요하다. 상호작용을 효율적으로 탐색하기 위해 컴퓨터를 이용한 다양한 방법들이 제안되어왔다. 학습에 사용되는 일반적인 데이터 세트는 상호작용 정보가 적으며 다수의 약물-타겟 쌍은 상호작용에 대한 라벨이 없다. 대부분의 연구에서는 이러한 데이터 세트의 특성을 크게 고려하지 않으며 라벨이 없는 데이터를 잘 이용하지 않는다. 본 연구에서는 약물과 타겟의 특징을 이용하여 약물-타겟 상호작용을 예측한다. 제안된 예측 방법에서 두 가지 주요 모델들이 순차적으로 진행된다. 첫번째 모델은 여러 개의 은닉층을 가진 오토인코더 모델이다. 이 모델은 라벨에 대한 정보 없이 임의의 약물-타겟 쌍에 대한 특징들 만을 입력으로 사용하여 비지도 학습 방식으로 학습된다. 이로부터 얻은 잠재 특징들은 다음 모델에서 입력으로 사용된다. 다음 모델에서는 제안된 준지도 학습 방식으로 심층 신경망 분류기를 학습한다. 이 때, 라벨이 없는 데이터와 라벨이 있는 데이터 둘 다 분류기를 학습하는데 사용한다. 제안된 통합 모델을 통해 학습한 심층 신경망 분류기는 라벨이 있는 데이터만을 사용한 지도 학습 방식의 모델들보다 모든 평가 지표에서 우수한 성능을 보인다.
