Identification of targets to drug molecules is very important in understanding how drugs work in the human body. In particular, recent developments in phenotypic screening have led to increasing attempts to select actual targets from large protein targets. In addition, multiple target prediction is essential for drug repositioning and prediction of side effects of drugs in advance. Conventional methods for identifying targets require a lot of time and money, so virtual screening using machine learning techniques are gaining popularity. Structure-activity relationships (SAR), a well-known method of identifying targets, has the advantages of low computational costs and high availability, while risking biased results due to data dependencies. In this paper, we first introduce a multi-target prediction algorithm based on a random forest model. The model features performance optimization through various data preprocessing methods to overcome data bias. In addition, this paper introduces “Multiple Partial Multi-task learning (MPMT)” which improves the prediction performance through analysis of the deep learning methods used in the field of drug-target binding prediction.
약물 분자에 대한 표적의 확인은 약물이 인체 내에서 작동하는 원리를 이해하는데 매우 중요하다. 특히 근래의 표현형 스크리닝의 발달로 대규모 단백질 표적 가운데 실제 표적을 선별해 내려는 시도가 늘어나고 있다. 뿐만 아니라 약물의 부작용을 미리 예측하거나 약물의 새로운 표적을 발굴하여 활용하는 약물 재배치에서도 다중 표적 예측이 필수적이다. 표적을 식별하는 종래의 방법은 많은 시간과 비용이 요구되기 때문에 기계 학습을 통한 가상 스크리닝 기법이 각광을 받고 있다. 표적을 식별하는 방법 가운데 잘 알려진 방법인 구조-활동 관계의 경우 낮은 계산 비용과 높은 활용 가능성으로 인한 장점이 있지만 한편으로 데이터 종속성으로 인해 편향된 결과를 산출할 위험을 가지고 있다. 이 논문에서는 먼저 랜덤 포레스트 모델을 기반으로 한 다중 표적 예측 알고리즘을 소개한다. 이 모델의 특징은 데이터 편향성을 극복하기 위한 다양한 데이터 전처리 방법을 통해 성능을 최적화한 것이다. 또한, 약물-표적 결합 예측 분야에서 사용되는 여러 딥러닝 방법에 대한 분석을 통해 예측 성능을 높인“다중 부분 다중 작업 학습법”을 소개한다.
