The key to modern drug discovery is to find, identify and prepare drug molecular targets. However, due to the influence of throughput, precision and cost, traditional experimental methods are difficult to be widely used to infer these potential Drug-Target Interactions (DTIs). Therefore, it is urgent to develop effective computational methods to validate the interaction between drugs and target. We developed a deep learning-based model for DTIs prediction. The proteins evolutionary features are extracted via Position Specific Scoring Matrix (PSSM) and Legendre Moment (LM) and associated with drugs molecular substructure fingerprints to form feature vectors of drug-target pairs. Then we utilized the Sparse Principal Component Analysis (SPCA) to compress the features of drugs and proteins into a uniform vector space. Lastly, the deep long short-term memory (DeepLSTM) was constructed for carrying out prediction. A significant improvement in DTIs prediction performance can be observed on experimental results, with AUC of 0.9951, 0.9705, 0.9951, 0.9206, respectively, on four classes important drug-target datasets. Further experiments preliminary proves that the proposed characterization scheme has great advantage on feature expression and recognition. We also have shown that the proposed method can work well with small dataset. The results demonstration that the proposed approach has a great advantage over state-of-the-art drug-target predictor. To the best of our knowledge, this study first tests the potential of deep learning method with memory and Turing completeness in DTIs prediction.

中文翻译：

---

基于长期学习的基于深度学习的药物-靶标相互作用预测方法

现代药物发现的关键是发现，识别和准备药物分子靶标。但是，由于通量，精确度和成本的影响，传统的实验方法很难广泛用于推断这些潜在的药物-靶标相互作用（DTI）。因此，迫切需要开发有效的计算方法来验证药物与靶标之间的相互作用。我们开发了一种基于深度学习的DTI预测模型。蛋白质的进化特征是通过位置特定评分矩阵（PSSM）和Legendre Moment（LM）提取的，并与药物分子的亚结构指纹相关联，以形成药物-靶对的特征向量。然后，我们利用稀疏主成分分析（SPCA）将药物和蛋白质的特征压缩到统一的向量空间中。最后，为了进行预测，构建了深长期短期记忆（DeepLSTM）。在实验结果上可以观察到DTI预测性能的显着改善，在四个重要的药物目标数据集上的AUC分别为0.9951、0.9705、0.9951和0.9206。进一步的实验初步证明，提出的特征描述方案在特征表达和识别方面具有很大的优势。我们还表明，所提出的方法可以很好地用于小型数据集。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。在实验结果上可以观察到DTI预测性能的显着改善，在四类重要的药物目标数据集上的AUC分别为0.9951、0.9705、0.9951和0.9206。进一步的实验初步证明，提出的特征描述方案在特征表达和识别方面具有很大的优势。我们还表明，所提出的方法可以很好地用于小型数据集。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。在实验结果上可以观察到DTI预测性能的显着改善，在四个重要的药物目标数据集上的AUC分别为0.9951、0.9705、0.9951和0.9206。进一步的实验初步证明，提出的特征描述方案在特征表达和识别方面具有很大的优势。我们还表明，所提出的方法可以很好地用于小型数据集。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。四类重要的药物目标数据集。进一步的实验初步证明，提出的特征描述方案在特征表达和识别方面具有很大的优势。我们还表明，所提出的方法可以很好地用于小型数据集。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。四类重要的药物目标数据集。进一步的实验初步证明，提出的特征描述方案在特征表达和识别方面具有很大的优势。我们还表明，所提出的方法可以很好地用于小型数据集。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。结果表明，与最新的药物靶标预测器相比，该方法具有很大的优势。据我们所知，本研究首先测试了具有记忆和图灵完整性的深度学习方法在DTI​​预测中的潜力。