論文の概要: Modeling Path Importance for Effective Alzheimer's Disease Drug
Repurposing
- arxiv url: http://arxiv.org/abs/2310.15211v2
- Date: Fri, 27 Oct 2023 16:29:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 16:26:57.536262
- Title: Modeling Path Importance for Effective Alzheimer's Disease Drug
Repurposing
- Title(参考訳): 効果的なアルツハイマー病薬物再資源化のための経路のモデリング
- Authors: Shunian Xiang, Patrick J. Lawrence, Bo Peng, ChienWei Chiang, Dokyoon
Kim, Li Shen, and Xia Ning
- Abstract要約: 薬物再資源化のための新しいネットワーク方式 MPI (Modeling Path Importance) を提案する。
MPIは学習ノードの埋め込みを通じて重要なパスを優先し、ネットワークの豊富な構造情報を効果的にキャプチャする。
上位50の薬物のうち、MPIは、基準値よりも20.0%の薬物を抗AD抗体で優先している。
- 参考スコア(独自算出の注目度): 8.153491945775734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, drug repurposing has emerged as an effective and resource-efficient
paradigm for AD drug discovery. Among various methods for drug repurposing,
network-based methods have shown promising results as they are capable of
leveraging complex networks that integrate multiple interaction types, such as
protein-protein interactions, to more effectively identify candidate drugs.
However, existing approaches typically assume paths of the same length in the
network have equal importance in identifying the therapeutic effect of drugs.
Other domains have found that same length paths do not necessarily have the
same importance. Thus, relying on this assumption may be deleterious to drug
repurposing attempts. In this work, we propose MPI (Modeling Path Importance),
a novel network-based method for AD drug repurposing. MPI is unique in that it
prioritizes important paths via learned node embeddings, which can effectively
capture a network's rich structural information. Thus, leveraging learned
embeddings allows MPI to effectively differentiate the importance among paths.
We evaluate MPI against a commonly used baseline method that identifies anti-AD
drug candidates primarily based on the shortest paths between drugs and AD in
the network. We observe that among the top-50 ranked drugs, MPI prioritizes
20.0% more drugs with anti-AD evidence compared to the baseline. Finally, Cox
proportional-hazard models produced from insurance claims data aid us in
identifying the use of etodolac, nicotine, and BBB-crossing ACE-INHs as having
a reduced risk of AD, suggesting such drugs may be viable candidates for
repurposing and should be explored further in future studies.
- Abstract(参考訳): 近年,AD薬物発見のための有効かつ資源効率の高いパラダイムとして,薬物再資源化が出現している。
薬物再生産の様々な方法のうち、ネットワークベースの手法は、タンパク質とタンパク質の相互作用のような複数の相互作用型を統合する複雑なネットワークを利用して、候補薬をより効果的に識別できるという有望な結果を示している。
しかし、既存のアプローチでは、ネットワーク内の同じ長さの経路が薬物の治療効果を特定するのに等しく重要であると仮定している。
他の領域では、同じ長さの経路が必ずしも同じ重要性を持つとは限らない。
したがって、この仮定に依存することは、薬物再購入の試みに有害である可能性がある。
そこで本研究では,新しいネットワークベースの広告薬剤再提案手法であるmpi(modeling path importance)を提案する。
MPIは学習ノードの埋め込みによって重要なパスを優先順位付けし、ネットワークの豊富な構造情報を効果的にキャプチャする。
したがって、学習した埋め込みを活用することで、MPIはパス間の重要性を効果的に区別することができる。
抗AD薬候補を同定するベースライン法として, ネットワーク内の薬剤とADの最も短い経路に基づいて, MPIを評価した。
上位50の薬物のうち、MPIは、基準値よりも20.0%の薬物を抗AD抗体で優先している。
最後に、保険請求データから生成されたコックス比例ハザードモデルは、エコドラ、ニコチン、およびBBB交差ACE-INHの使用をADのリスクが低いものとして識別するのに役立つ。
関連論文リスト
- 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) - NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug
Candidates Through an Integrated Computational Approach [0.0]
薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。
提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。
データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。
NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
論文 参考訳(メタデータ) (2023-09-04T03:21:43Z) - ADRNet: A Generalized Collaborative Filtering Framework Combining
Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。
ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
論文 参考訳(メタデータ) (2023-08-03T11:28:12Z) - Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction
Prediction [36.08294497336554]
薬物-標的相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としている。
最近提案された手法のほとんどは、DTI予測に単一のドラッグ・ドラッグ類似性およびターゲット・ターゲット類似性情報を使用する。
本稿では,ネットワークに基づく薬物と薬物の相互作用予測手法を提案する。
論文 参考訳(メタデータ) (2023-06-25T02:30:38Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳(メタデータ) (2022-10-11T16:07:52Z) - 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) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳(メタデータ) (2021-05-05T00:20:48Z) - Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出
本稿では,DDI検出のための2段階関節モデルを提案する。
シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
論文 参考訳(メタデータ) (2020-08-28T15:30:08Z) - When deep learning meets causal inference: a computational framework for
drug repurposing from real-world data [12.68717103979673]
既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。
薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。
本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
論文 参考訳(メタデータ) (2020-07-16T21:30:56Z) - Network Medicine Framework for Identifying Drug Repurposing
Opportunities for COVID-19 [6.7410870290301]
現在のパンデミックは、SARS-CoV-2感染の潜在的な効果のために、迅速かつ確実に臨床承認された化合物を優先順位付けできる方法の必要性を強調している。
ここでは,人工知能,ネットワーク拡散,ネットワーク近接に頼ったアルゴリズムをデプロイし,SARS-CoV-2に対する効果を期待して,それぞれ6,340の薬物をランク付けする。
ほとんどのアルゴリズムは、これらの基底真理データに対して予測力を提供するが、すべてのデータセットやメトリクスに対して一貫した信頼性のある結果を提供する方法は存在しない。
論文 参考訳(メタデータ) (2020-04-15T17:40:29Z)
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。