Virtual screening has significantly improved the success rate of early stage drug discovery. Recent virtual screening methods have improved owing to advances in machine learning and chemical information. Among these advances, the creative extraction of drug features is important for predicting drug–target interaction (DTI), which is a large-scale virtual screening of known drugs. Herein, we report Kullbeck–Leibler divergence (KLD) as a DTI feature and the feature-driven classification model applicable to DTI prediction. For the purpose, E3FP three-dimensional (3D) molecular fingerprints of drugs as a molecular representation allow the computation of 3D similarities between ligands within each target (Q–Q matrix) to identify the uniqueness of pharmacological targets and those between a query and a ligand (Q–L vector) in DTIs. The 3D similarity matrices are transformed into probability density functions via kernel density estimation as a nonparametric estimation. Each density model can exploit the characteristics of each pharmacological target and measure the quasi-distance between the ligands. Furthermore, we developed a random forest model from the KLD feature vectors to successfully predict DTIs for representative 17 targets (mean accuracy: 0.882, out-of-bag score estimate: 0.876, ROC AUC: 0.990). The method is applicable for 2D chemical similarity.

中文翻译：

---

通过 Kullbeck-Leibler 散度预测药物-靶标相互作用的随机森林模型

虚拟筛选显着提高了早期药物发现的成功率。由于机器学习和化学信息的进步，最近的虚拟筛选方法得到了改进。在这些进展中，药物特征的创造性提取对于预测药物-靶点相互作用（DTI）很重要，这是对已知药物的大规模虚拟筛选。在这里，我们报告了 Kullbeck-Leibler 散度 (KLD) 作为 DTI 特征和适用于 DTI 预测的特征驱动分类模型。为此，药物的 E3FP 三维 (3D) 分子指纹作为分子表示允许计算每个靶标内配体之间的 3D 相似性（Q-Q 矩阵），以识别药理学靶标的唯一性以及查询和查询之间的唯一性。 DTI 中的配体（Q-L 载体）。3D 相似度矩阵通过核密度估计作为非参数估计转换为概率密度函数。每个密度模型都可以利用每个药理学靶点的特征并测量配体之间的准距离。此外，我们从 KLD 特征向量开发了一个随机森林模型，以成功预测具有代表性的 17 个目标的 DTI（平均准确度：0.882，袋外得分估计：0.876，ROC AUC：0.990）。该方法适用于二维化学相似性。我们从 KLD 特征向量开发了一个随机森林模型，以成功预测具有代表性的 17 个目标的 DTI（平均准确度：0.882，袋外得分估计：0.876，ROC AUC：0.990）。该方法适用于二维化学相似性。我们从 KLD 特征向量开发了一个随机森林模型，以成功预测具有代表性的 17 个目标的 DTI（平均准确度：0.882，袋外得分估计：0.876，ROC AUC：0.990）。该方法适用于二维化学相似性。