邴嘉欣-2016.11.25组会-矩阵分解在生物信息网络中的应用

Severus

标   题：矩阵分解在生物信息网络中的应用

报告人：邴嘉欣

摘   要：

【Kernelized Bayesian matrix factorization with twin kernels】

这个方法的主要思想是要：分别从化学结构数据和基因组数据计算得出两个核函数，然后利用这两个核函数把药物和靶点通过核函数映射到一个共同的子空间（也就是药理学空间），在这个子空间中，药物和靶点的这种低维度表示可以用来估测它们之间的相互作用。

              
（1）Ad：药物的投影矩阵，根据投影参数ad计算得出；
              
（2）Kd：药物的核心矩阵（实验中由化学相似性矩阵代替）；

（3）Gd：在药理学空间中，药物矩阵的低维度表示，用于计算药物与靶点之间的相互作用分数；

（4）At：靶点的投影矩阵，根据投影参数at计算得出；

（5）Kt：靶点的核心矩阵（实验中由序列相似性矩阵代替）；

（6）Gt：在药理学空间中，靶点矩阵的低维度表示，用于计算药物与靶点之间的相互作用分数；

（7）F：相互作用分数矩阵，根据Gd和Gt计算出某一对药物和靶点之间的相互作用分数，再由此更新互作矩阵Y；

（8）Y：互作矩阵，y值∈{-1，+1}，最终由相互作用分数来更新。

最终分解结果为：

Ad和At即为所求，求得这两个矩阵之后就可以根据药物相似性矩阵和靶点相似性矩阵矩阵计算drug-target之间的相互作用关系，图解如下：

【KBMF2K Algorithm】


参考论文：

[1] Predicting drug–target interactions from chemical and genomic kernels using Bayesian matrix factorization.  文章链接

报告PPT：