論文の概要: Predicting Drug Repurposing Candidates and Their Mechanisms from A
Biomedical Knowledge Graph
- arxiv url: http://arxiv.org/abs/2212.01384v1
- Date: Wed, 30 Nov 2022 17:05:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 18:59:46.633958
- Title: Predicting Drug Repurposing Candidates and Their Mechanisms from A
Biomedical Knowledge Graph
- Title(参考訳): バイオメディカル知識グラフによる医薬品リサイクル候補の予測とそのメカニズム
- Authors: Chunyu Ma, Zhihan Zhou, Han Liu, David Koslicki
- Abstract要約: コンピュータドラッグ再資源化(Computational drug repurposing)は、承認または実験薬/化合物の新しい表示を識別するための費用対効果の高い方法である。
再使用された薬物とその標的疾患の間の作用機構は、いまだに不明である。
本稿では, 薬物と疾患の治療法の確率を予測できるだけでなく, バイオメディカルな説明として, 行動の経路ベース, テスト可能なメカニズムを予測できる計算用薬物再資源化フレームワークを提案する。
- 参考スコア(独自算出の注目度): 11.64859287146094
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Computational drug repurposing is a cost- and time-efficient method to
identify new indications of approved or experimental drugs/compounds. It is
especially critical for emerging and/or orphan diseases due to its cheaper
investment and shorter research cycle compared with traditional wet-lab drug
discovery approaches. However, the underlying mechanisms of action between
repurposed drugs and their target diseases remain largely unknown, which is
still an unsolved issue in existing repurposing methods. As such, computational
drug repurposing has not been widely adopted in clinical settings. In this
work, based on a massive biomedical knowledge graph, we propose a computational
drug repurposing framework that not only predicts the treatment probabilities
between drugs and diseases but also predicts the path-based, testable
mechanisms of action (MOAs) as their biomedical explanations. Specifically, we
utilize the GraphSAGE model in an unsupervised manner to integrate each
entity's neighborhood information and employ a Random Forest model to predict
the treatment probabilities between pairs of drugs and diseases. Moreover, we
train an adversarial actor-critic reinforcement learning model to predict the
potential MOA for explaining drug purposing. To encourage the model to find
biologically reasonable paths, we utilize the curated molecular interactions of
drugs and a PubMed-publication-based concept distance to extract potential drug
MOA paths from the knowledge graph as "demonstration paths" to guide the model
during the process of path-finding. Comprehensive experiments and case studies
show that the proposed framework outperforms state-of-the-art baselines in both
predictive performance of drug repurposing and explanatory performance of
recapitulating human-curated DrugMechDB-based paths.
- Abstract(参考訳): 計算薬の再利用は、承認または実験薬/化合物の新しい表示を特定するためのコストと時間効率のよい方法である。
従来の湿式薬物発見法と比較して、投資が安く、研究サイクルが短いため、特に発病や孤児病にとって重要である。
しかし、使用済み薬物とその標的疾患の間の基本的なメカニズムはほとんど不明であり、既存の代替法では未解決の問題となっている。
このように、計算薬の再利用は臨床ではあまり広く採用されていない。
本研究は, バイオメディカル知識グラフに基づいて, 薬物と疾患の間の治療確率を予測できるだけでなく, バイオメディカルな説明として, 経路ベース, テスト可能な行動機構(MOA)を予測できる計算薬物再資源化フレームワークを提案する。
具体的には,グラフセージモデルを用いて各団体の周辺情報を統合し,ランダムフォレストモデルを用いて薬剤と疾患の治療法の確率を予測する。
さらに, 対向的アクタ-クリティック強化学習モデルを訓練し, 薬物汚染を説明するためのmoaの可能性を予測する。
モデルが生物学的に合理的な経路を見つけるのを奨励するために,薬物の硬化した分子相互作用とPubMed-Pubation-based concept distanceを用いて知識グラフから潜在的薬物MOA経路を抽出し,パスフィニングの過程でモデルを導く。
包括的実験およびケーススタディにより,提案フレームワークは,ヒト培養D薬MechDB系パスの再カプセル化の予測性能と説明性能の両方において,最先端のベースラインを上回っていることが示された。
関連論文リスト
- Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。
RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
論文 参考訳(メタデータ) (2024-07-17T07:44:18Z) - DTIAM: A unified framework for predicting drug-target interactions,
binding affinities and activation/inhibition mechanisms [9.671391525450716]
薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。
DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。
すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-12-23T13:27:41Z) - Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳(メタデータ) (2023-12-03T04:01:38Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳(メタデータ) (2023-11-15T06:34:00Z) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳(メタデータ) (2023-10-05T05:55:41Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - Modeling Pharmacological Effects with Multi-Relation Unsupervised Graph
Embedding [4.999039245939572]
本稿では,薬物や疾患の潜伏表現を学習するマルチリレーションな教師なしグラフ埋め込みモデルに基づく手法を提案する。
薬物と疾患の表現が得られれば、薬物と疾患の間の新しいつながり(つまり、新しい兆候)の可能性を学習する。
既知の薬物の表示は、潜在的な表示を予測するモデルを学ぶために使用される。
論文 参考訳(メタデータ) (2020-04-30T14:51:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。