In the field of drug–target interactions prediction, the majority of approaches formulated the problem as a simple binary classification task. These methods used binary drug–target interaction datasets to train their models. The prediction of drug–target interactions is inherently a regression problem and these interactions would be identified according to the binding affinity between drugs and targets. This paper deals the binary drug–target interactions and tries to identify the binary interactions based on the binding strength of a drug and its target. To this end, we propose a semi-supervised transfer learning approach to predict the binding affinity in a continuous spectrum for binary interactions. Due to the lack of training data with continuous binding affinity in the target domain, the proposed method makes use of the information available in other domains (i.e. source domain), via the transfer learning approach. The general framework of our algorithm is based on an objective function, which considers the performance in both source and target domains as well as the unlabeled data in the target domain via a regularization term. To optimize this objective function, we make use of a gradient boosting machine which constructs the final model. To assess the performance of the proposed method, we have used some benchmark datasets with binary interactions for four classes of human proteins. Our algorithm identifies interactions in a more realistic situation. According to the experimental results, our regression model performs better than the state-of-the-art methods in some procedures.

在药物-靶标相互作用预测领域，大多数方法将问题表述为简单的二元分类任务。这些方法使用二元药物-靶标相互作用数据集来训练他们的模型。药物-靶点相互作用的预测本质上是一个回归问题，这些相互作用将根据药物和靶点之间的结合亲和力来识别。本文处理二元药物-靶点相互作用，并尝试根据药物与其靶点的结合强度来识别二元相互作用。为此，我们提出了一种半监督迁移学习方法来预测二元相互作用的连续谱中的结合亲和力。由于缺乏目标域中具有连续结合亲和力的训练数据，所提出的方法通过迁移学习方法利用其他域（即源域）中可用的信息。我们算法的一般框架基于一个目标函数，该函数通过正则化项考虑源域和目标域中的性能以及目标域中的未标记数据。为了优化这个目标函数，我们使用了一个梯度增强机器来构建最终模型。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。通过迁移学习方法。我们算法的一般框架基于一个目标函数，该函数通过正则化项考虑源域和目标域中的性能以及目标域中的未标记数据。为了优化这个目标函数，我们使用了一个梯度增强机器来构建最终模型。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。通过迁移学习方法。我们算法的一般框架基于一个目标函数，该函数通过正则化项考虑源域和目标域中的性能以及目标域中的未标记数据。为了优化这个目标函数，我们使用了一个梯度增强机器来构建最终模型。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。它通过正则化项考虑源域和目标域中的性能以及目标域中未标记的数据。为了优化这个目标函数，我们使用了一个梯度增强机器来构建最终模型。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。它通过正则化项考虑源域和目标域中的性能以及目标域中未标记的数据。为了优化这个目标函数，我们使用了一个梯度增强机器来构建最终模型。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。为了评估所提出方法的性能，我们使用了一些具有二进制相互作用的基准数据集，用于四类人类蛋白质。我们的算法在更现实的情况下识别交互。根据实验结果，我们的回归模型在某些程序中的表现优于最先进的方法。