Protein–ligand interaction prediction: an improved chemogenomics approach

にて提案されたPairwise Kernel Methodを用いたCompound-Protein Interaction予測手法を実装しました．分類器にはSupport Vector Machineを使っています．ここではデータセットとして九州大学 山西芳裕准教授が以下の論文で作成したものを使用しました．

Prediction of drug-target interaction networks from the integration of chemical and genomic spaces

データセットはこちらから無償でダウンロードできます．データセットはGPCR，ion channel，Nuclear Recepter，Enzymeの4種類が利用可能です．

また，link_indicator.pyにてNetworkXで用意されているLink Prediction Argorithmsの拡張機能を提供しています．具体的にはグラフ構造から求められる，ノード間の関係性を示す指標として以下を提供しています．

• Common Neighbor
• Cosine Similarity
• HPI
• HDI
• LHN-1
• Sorensen
• Graph Distance

各指標の定義はこちらを参照してください．入力及び出力はNetworkXのLink Prediction Argorithmsに準じています．

These sources provides you the Compound-Protein Interaction tool using Pairwise Kernel Method proposed by this paper. Support vector machine is used as classifier. The dataset in this tool is provided by Yoshihiro Yamanishi(Kyusyu unv, JPN). You can download the dataset from here for open and free. There are four kinds of dataset, GPCR，ion channel，Nuclear Recepter and Enzyme.

Furthermore, the extension of networkx's link prediction argorithms is provided in link_indicator.py. I implement indicators that represent the relation between node pair.

• Common Neighbor
• Cosine Similarity
• HPI
• HDI
• LHN-1
• Sorensen
• Graph Distance

If you want to know these definitions, refer to this paper. Input and Output forms conform to networkx's link prediction argorithms.

実行に際して，以下のpythonライブラリが必要です．

(Required python libraries)

• Numpy
• Scipy
• scilit learn
• NetworkX
• matplotlib

run.pyを実行するとSVMによる学習，10 fold cross-validationによる評価が行われます．用いるデータセットを変更する場合はrun.pyに記載されているパスを変更してください． 評価指標としてAUROC(Area Under ROC Curve)とAUPR(Area Under Precision-Recall Curve)の2種類が使用可能です．