BACKGROUND Viral infectious diseases are the serious threat for human health. The receptor-binding is the first step for the viral infection of hosts. To more effectively treat human viral infectious diseases, the hidden virus-receptor interactions must be discovered. However, current computational methods for predicting virus-receptor interactions are limited. RESULT In this study, we propose a new computational method (IILLS) to predict virus-receptor interactions based on Initial Interaction scores method via the neighbors and the Laplacian regularized Least Square algorithm. IILLS integrates the known virus-receptor interactions and amino acid sequences of receptors. The similarity of viruses is calculated by the Gaussian Interaction Profile (GIP) kernel. On the other hand, we also compute the receptor GIP similarity and the receptor sequence similarity. Then the sequence similarity is used as the final similarity of receptors according to the prediction results. The 10-fold cross validation (10CV) and leave one out cross validation (LOOCV) are used to assess the prediction performance of our method. We also compare our method with other three competing methods (BRWH, LapRLS, CMF). CONLUSION The experiment results show that IILLS achieves the AUC values of 0.8675 and 0.9061 with the 10-fold cross validation and leave-one-out cross validation (LOOCV), respectively, which illustrates that IILLS is superior to the competing methods. In addition, the case studies also further indicate that the IILLS method is effective for the virus-receptor interaction prediction.

中文翻译：

---

IILLS：基于相似性和半监督学习预测病毒-受体相互作用。

背景技术病毒传染病是对人类健康的严重威胁。受体结合是宿主病毒感染的第一步。为了更有效地治疗人类病毒性传染病，必须发现隐藏的病毒-受体相互作用。然而，目前用于预测病毒-受体相互作用的计算方法是有限的。结果在这项研究中，我们提出了一种新的计算方法（IILLS），通过邻居和拉普拉斯正则化最小二乘算法基于初始交互分数方法来预测病毒-受体相互作用。IILLS 整合了已知的病毒-受体相互作用和受体的氨基酸序列。病毒的相似性是通过高斯交互配置文件（GIP）内核计算的。另一方面，我们还计算受体 GIP 相似性和受体序列相似性。然后根据预测结果将序列相似度作为受体的最终相似度。10 倍交叉验证 (10CV) 和留一交叉验证 (LOOCV) 用于评估我们方法的预测性能。我们还将我们的方法与其他三种竞争方法（BRWH、LapRLS、CMF）进行了比较。结论 实验结果表明，IILLS 通过 10 倍交叉验证和留一法交叉验证 (LOOCV) 分别达到了 0.8675 和 0.9061 的 AUC 值，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。然后根据预测结果将序列相似度作为受体的最终相似度。10 倍交叉验证 (10CV) 和留一交叉验证 (LOOCV) 用于评估我们方法的预测性能。我们还将我们的方法与其他三种竞争方法（BRWH、LapRLS、CMF）进行了比较。结论 实验结果表明，IILLS 通过 10 倍交叉验证和留一法交叉验证 (LOOCV) 分别达到了 0.8675 和 0.9061 的 AUC 值，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。然后根据预测结果将序列相似度作为受体的最终相似度。10 倍交叉验证 (10CV) 和留一交叉验证 (LOOCV) 用于评估我们方法的预测性能。我们还将我们的方法与其他三种竞争方法（BRWH、LapRLS、CMF）进行了比较。结论 实验结果表明，IILLS 通过 10 倍交叉验证和留一法交叉验证 (LOOCV) 分别达到了 0.8675 和 0.9061 的 AUC 值，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。10 倍交叉验证 (10CV) 和留一交叉验证 (LOOCV) 用于评估我们方法的预测性能。我们还将我们的方法与其他三种竞争方法（BRWH、LapRLS、CMF）进行了比较。结论 实验结果表明，IILLS 通过 10 倍交叉验证和留一法交叉验证 (LOOCV) 分别达到了 0.8675 和 0.9061 的 AUC 值，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。10 倍交叉验证 (10CV) 和留一交叉验证 (LOOCV) 用于评估我们方法的预测性能。我们还将我们的方法与其他三种竞争方法（BRWH、LapRLS、CMF）进行了比较。结论 实验结果表明，IILLS 通过 10 倍交叉验证和留一法交叉验证 (LOOCV) 分别达到了 0.8675 和 0.9061 的 AUC 值，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。9061 分别具有 10 倍交叉验证和留一法交叉验证 (LOOCV)，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。9061 分别具有 10 倍交叉验证和留一法交叉验证 (LOOCV)，这说明 IILLS 优于竞争方法。此外，案例研究还进一步表明 IILLS 方法对于病毒-受体相互作用预测是有效的。