The problem of drug side effects is one of the most crucial issues in pharmacological development. As there are many limitations in current experimental and clinical methods for detecting side effects, a lot of computational algorithms have been developed to predict side effects with different types of drug information. However, there is still a lack of methods which could integrate heterogeneous data to predict side effects and select important features at the same time. Here, we propose a novel computational framework based on multi-view and multi-label learning for side effect prediction. Four different types of drug features are collected and graph model is constructed from each feature profile. After that, all the single view graphs are combined to regularize the linear regression functions which describe the relationships between drug features and side effect labels. L1 penalties are imposed on the regression coefficient matrices in order to select features relevant to side effects. Additionally, the correlations between side effect labels are also incorporated into the model by graph Laplacian regularization. The experimental results show that the proposed method could not only provide more accurate prediction for side effects but also select drug features related to side effects from heterogeneous data. Some case studies are also supplied to illustrate the utility of our method for prediction of drug side effects.

中文翻译：

---

从多视图数据中学习重要特征以预测药物副作用

药物副作用的问题是药理学发展中最关键的问题之一。由于目前用于检测副作用的实验和临床方法存在许多局限性，因此已经开发了许多计算算法来预测不同类型药物信息的副作用。但是，仍然缺少可以整合异类数据以预测副作用并同时选择重要特征的方法。在这里，我们提出了一种基于多视图和多标签学习的副作用预测的新颖计算框架。收集了四种不同类型的药物特征，并从每个特征配置文件构建了图形模型。在那之后，所有的单视图图被组合以规范描述药物特征和副作用标签之间关系的线性回归函数。对回归系数矩阵施加L1惩罚，以选择与副作用相关的特征。另外，副作用标签之间的相关性也通过图拉普拉斯正则化被合并到模型中。实验结果表明，所提出的方法不仅可以提供更准确的副作用预测，还可以从异构数据中选择与副作用相关的药物特征。还提供了一些案例研究，以说明我们的方法可用于预测药物副作用。对回归系数矩阵施加L1惩罚，以选择与副作用相关的特征。另外，副作用标签之间的相关性也通过图拉普拉斯正则化被合并到模型中。实验结果表明，所提出的方法不仅可以提供更准确的副作用预测，还可以从异构数据中选择与副作用相关的药物特征。还提供了一些案例研究，以说明我们的方法可用于预测药物副作用。对回归系数矩阵施加L1惩罚，以选择与副作用相关的特征。另外，副作用标签之间的相关性也通过图拉普拉斯正则化被合并到模型中。实验结果表明，所提出的方法不仅可以提供更准确的副作用预测，还可以从异构数据中选择与副作用相关的药物特征。还提供了一些案例研究，以说明我们的方法可用于预测药物副作用。实验结果表明，所提出的方法不仅可以提供更准确的副作用预测，还可以从异构数据中选择与副作用相关的药物特征。还提供了一些案例研究，以说明我们的方法可用于预测药物副作用。实验结果表明，所提出的方法不仅可以提供更准确的副作用预测，还可以从异构数据中选择与副作用相关的药物特征。还提供了一些案例研究，以说明我们的方法可用于预测药物副作用。