Traditional techniqueset identification, we developed GraphDTI, a robust machine learning framework integrating the molecular-level information on drugs, proteins, and binding sites with the system-level information on gene expression and protein-protein interactions. In order to properly evaluate the performance of GraphDTI, we compiled a high-quality benchmarking dataset and devised a new cluster-based cross-validation p to identify macromolecular targets for drugs utilize solely the information on a query drug and a putative target. Nonetheless, the mechanisms of action of many drugs depend not only on their binding affinity toward a single protein, but also on the signal transduction through cascades of molecular interactions leading to certain phenotypes. Although using protein-protein interaction networks and drug-perturbed gene expression profiles can facilitate system-level investigations of drug-target interactions, utilizing such large and heterogeneous data poses notable challenges. To improve the state-of-the-art in drug targrotocol. Encouragingly, GraphDTI not only yields an AUC of 0.996 against the validation dataset, but it also generalizes well to unseen data with an AUC of 0.939, significantly outperforming other predictors. Finally, selected examples of identified drug-target interactions are validated against the biomedical literature. Numerous applications of GraphDTI include the investigation of drug polypharmacological effects, side effects through off-target binding, and repositioning opportunities.

中文翻译：

---

GraphDTI：来自多个异构数据的药物-靶标相互作用的强大深度学习预测器

传统的技术集识别，我们开发了 GraphDTI，这是一个强大的机器学习框架，将药物、蛋白质和结合位点的分子级信息与基因表达和蛋白质-蛋白质相互作用的系统级信息相结合。为了正确评估 GraphDTI 的性能，我们编译了一个高质量的基准数据集，并设计了一个新的基于集群的交叉验证 p 来识别药物的大分子靶标，仅利用查询药物和推定靶标的信息。尽管如此，许多药物的作用机制不仅取决于它们对单一蛋白质的结合亲和力，还取决于通过分子相互作用级联产生的信号转导，从而导致某些表型。尽管使用蛋白质-蛋白质相互作用网络和药物扰动的基因表达谱可以促进药物-靶标相互作用的系统级研究，但利用如此庞大和异构的数据带来了显着的挑战。提高药物 targrotocol 的最新技术水平。令人鼓舞的是，GraphDTI 不仅针对验证数据集产生了 0.996 的 AUC，而且还可以很好地泛化到看不见的数据，AUC 为 0.939，明显优于其他预测指标。最后，根据生物医学文献验证确定的药物-靶标相互作用的选定示例。GraphDTI 的众多应用包括研究药物多药理作用、脱靶结合引起的副作用和重新定位机会。利用如此庞大的异构数据带来了显着的挑战。改进药物 targrotocol 的最新技术。令人鼓舞的是，GraphDTI 不仅针对验证数据集产生了 0.996 的 AUC，而且还可以很好地泛化到看不见的数据，AUC 为 0.939，明显优于其他预测指标。最后，根据生物医学文献验证确定的药物-靶标相互作用的选定示例。GraphDTI 的众多应用包括研究药物多药理作用、脱靶结合引起的副作用和重新定位机会。利用如此庞大的异构数据带来了显着的挑战。提高药物 targrotocol 的最新技术水平。令人鼓舞的是，GraphDTI 不仅针对验证数据集产生了 0.996 的 AUC，而且还可以很好地泛化到看不见的数据，AUC 为 0.939，明显优于其他预测指标。最后，根据生物医学文献验证确定的药物-靶标相互作用的选定示例。GraphDTI 的众多应用包括研究药物多药理作用、脱靶结合引起的副作用和重新定位机会。但它也能很好地泛化到看不见的数据，AUC 为 0.939，明显优于其他预测变量。最后，根据生物医学文献验证确定的药物-靶标相互作用的选定示例。GraphDTI 的众多应用包括研究药物多药理作用、脱靶结合引起的副作用和重新定位机会。但它也能很好地泛化到看不见的数据，AUC 为 0.939，明显优于其他预测变量。最后，根据生物医学文献验证确定的药物-靶标相互作用的选定示例。GraphDTI 的众多应用包括研究药物多药理作用、脱靶结合引起的副作用和重新定位机会。