Drug-drug interaction (DDI) prediction is one of the most important tasks in drug discovery. Prediction of potential DDIs helps to reduce unexpected side effects in the lifecycle of drugs, and is important for the drug safety surveillance. Here, we formulate the drug-drug interaction prediction as a matrix completion task, and project drugs in the interaction space into a low-dimensional space. We consider drug features, i.e., substructures, targets, enzymes, transporters, pathways, indications, side effects, and off side effects, to calculate drug-drug similarities, and assume them as manifolds in feature spaces. In this paper, we present a novel computational method named "Manifold Regularized Matrix Factorization" (MRMF) to predict potential drug-drug interactions, by introducing the drug feature-based manifold regularization into the matrix factorization. In the computational experiments, the MRMF models, which utilize known drug-drug interactions and the drug feature-based manifold, produce the area under precision-recall curves (AUPR) up to 0.7963. We test manifold regularizations based on different drug features, and the MRMF models can produce robust performances. Compared with other state-of-the-art methods, the MRMF models can produce better performances in the cross validation and case study. The manifold regularization is the critical factor for the high-accuracy performances of our method. MRMF is promising and effective for the prediction of drug-drug interactions.

中文翻译：

---

用于药物相互作用预测的流形正规化矩阵分解。

药物-药物相互作用（DDI）预测是药物发现中最重要的任务之一。潜在DDI的预测有助于减少药物生命周期中的意外副作用，对于药物安全性监视非常重要。在这里，我们将药物-药物相互作用预测公式化为矩阵完成任务，并将相互作用空间中的药物投影到低维空间中。我们考虑药物特征，即亚结构，靶标，酶，转运蛋白，途径，适应症，副作用和不良副作用，以计算药物-药物相似性，并假设它们为特征空间中的多个部分。在本文中，我们提出了一种新颖的计算方法，称为“歧管正则化矩阵分解”（MRMF），用于预测潜在的药物相互作用。通过将基于药物特征的流形正则化引入矩阵分解中。在计算实验中，利用已知的药物-药物相互作用和基于药物特征的流形的MRMF模型在精确召回曲线（AUPR）下产生的面积最大为0.7963。我们基于不同的药物特性测试歧管正则化，而MRMF模型可以产生强大的性能。与其他最新方法相比，MRMF模型在交叉验证和案例研究中可以产生更好的性能。流形正则化是我们方法的高精度性能的关键因素。MRMF在预测药物相互作用方面很有前途且有效。利用已知的药物-药物相互作用和基于药物特征的流形，产生精确召回曲线（AUPR）下的面积，最高可达0.7963。我们基于不同的药物特性测试歧管正则化，而MRMF模型可以产生强大的性能。与其他最新方法相比，MRMF模型在交叉验证和案例研究中可以产生更好的性能。流形正则化是我们方法的高精度性能的关键因素。MRMF在预测药物相互作用方面很有前途且有效。利用已知的药物-药物相互作用和基于药物特征的流形，产生精确召回曲线（AUPR）下的面积，最高可达0.7963。我们基于不同的药物特性测试歧管正则化，而MRMF模型可以产生强大的性能。与其他最新方法相比，MRMF模型在交叉验证和案例研究中可以产生更好的性能。流形正则化是我们方法的高精度性能的关键因素。MRMF在预测药物相互作用方面很有前途且有效。MRMF模型可以在交叉验证和案例研究中产生更好的性能。流形正则化是我们方法的高精度性能的关键因素。MRMF在预测药物相互作用方面很有前途且有效。MRMF模型可以在交叉验证和案例研究中产生更好的性能。流形正则化是我们方法的高精度性能的关键因素。MRMF在预测药物相互作用方面很有前途且有效。