論文の概要: Generating Drug Repurposing Hypotheses through the Combination of
Disease-Specific Hypergraphs
- arxiv url: http://arxiv.org/abs/2311.09596v1
- Date: Thu, 16 Nov 2023 06:09:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 16:10:27.356617
- Title: Generating Drug Repurposing Hypotheses through the Combination of
Disease-Specific Hypergraphs
- Title(参考訳): 病原性ハイパーグラフの併用による薬剤補充仮説の生成
- Authors: Ayush Jain, Marie Laure-Charpignon, Irene Y. Chen, Anthony
Philippakis, Ahmed Alaa
- Abstract要約: 医薬品再資源化は、医薬品開発に対するより時間的かつ費用対効果の高い代替手段を提供する。
本稿では,生物学的経路の文脈埋め込みを導出する,疾患特異的なハイパーグラフ表現学習手法を提案する。
2つの疾患を併用したハイパーグラフでは,再生能が有意に高かった2つの有望な薬剤が同定された。
- 参考スコア(独自算出の注目度): 7.240369727691457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The drug development pipeline for a new compound can last 10-20 years and
cost over 10 billion. Drug repurposing offers a more time- and cost-effective
alternative. Computational approaches based on biomedical knowledge graph
representations have recently yielded new drug repurposing hypotheses. In this
study, we present a novel, disease-specific hypergraph representation learning
technique to derive contextual embeddings of biological pathways of various
lengths but that all start at any given drug and all end at the disease of
interest. Further, we extend this method to multi-disease hypergraphs. To
determine the repurposing potential of each of the 1,522 drugs, we derive
drug-specific distributions of cosine similarity values and ultimately consider
the median for ranking. Cosine similarity values are computed between (1) all
biological pathways starting at the considered drug and ending at the disease
of interest and (2) all biological pathways starting at drugs currently
prescribed against that disease and ending at the disease of interest. We
illustrate our approach with Alzheimer's disease (AD) and two of its risk
factors: hypertension (HTN) and type 2 diabetes (T2D). We compare each drug's
rank across four hypergraph settings (single- or multi-disease): AD only, AD +
HTN, AD + T2D, and AD + HTN + T2D. Notably, our framework led to the
identification of two promising drugs whose repurposing potential was
significantly higher in hypergraphs combining two diseases: dapagliflozin
(antidiabetic; moved up, from top 32$\%$ to top 7$\%$, across all considered
drugs) and debrisoquine (antihypertensive; moved up, from top 76$\%$ to top
23$\%$). Our approach serves as a hypothesis generation tool, to be paired with
a validation pipeline relying on laboratory experiments and semi-automated
parsing of the biomedical literature.
- Abstract(参考訳): 新しい化合物の薬物開発パイプラインは10~20年持続し、費用は100億ドルを超える。
薬物の再利用は、より時間とコスト効率のよい代替手段を提供する。
バイオメディカル知識グラフ表現に基づく計算的アプローチは、最近、新しい薬物再服用仮説を生み出した。
本研究では,様々な長さの生物学的経路の文脈的埋め込みを導出する新規な,疾患特異的なハイパーグラフ表現学習手法を提案する。
さらに,この手法をマルチダイザスハイパーグラフにも拡張する。
1,522種類の薬物の補充電位を決定するために,コサイン類似度値の薬物特異的分布を導出し,最終的にランキングの中央値を考慮する。
コサイン類似度値は、(1)検討された薬物から利害疾患までの全ての生物学的経路、(2)現在その疾患に対して処方され、利害疾患で終わる薬物から開始される全ての生物学的経路の間で計算される。
アルツハイマー病(AD)と高血圧(HTN)と2型糖尿病(T2D)の2つの危険因子について検討した。
ADのみ, AD + HTN, AD + T2D, AD + HTN + T2Dである。
特筆すべきは,2つの疾患を組み合わせたハイパーグラフにおいて,再導入の可能性が有意に高い2つの有望な薬物の同定につながったことである。ダパグリフロジン(抗糖尿病薬)とデブリソキン(抗高血圧薬)である。
本手法は, 臨床実験と半自動解析による生物医学文献の検証パイプラインと組み合わせ, 仮説生成ツールとして機能する。
関連論文リスト
- drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳(メタデータ) (2024-05-14T22:16:52Z) - 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) - 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) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。
我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。
提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳(メタデータ) (2022-12-10T03:43:23Z) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳(メタデータ) (2022-09-16T13:35:57Z) - Mining On Alzheimer's Diseases Related Knowledge Graph to Identity
Potential AD-related Semantic Triples for Drug Repurposing [13.751910502580415]
我々は、アルツハイマー病(AD)と化学物質、薬物、栄養補助薬との関係を研究するための知識グラフを構築した。
本稿では,このグラフマイニングモデルを用いて,ADと他のエンティティ間の信頼性の高い新しい関係を予測できることを示す。
論文 参考訳(メタデータ) (2022-02-17T15:33:27Z) - 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) - Dr-COVID: Graph Neural Networks for SARS-CoV-2 Drug Repurposing [14.112444998191698]
我々は、Dr-COVIDと呼ばれる、GNNに基づく薬物再資源化モデルを提案する。
Dr-COVIDは、その予測性能と、既知の疾患の治療薬をできるだけ高いレベルにランク付けする能力で評価されている。
論文 参考訳(メタデータ) (2020-12-03T18:34:10Z) - Drug repurposing for COVID-19 using graph neural network and harmonizing
multiple evidence [9.472330151855111]
ウイルスベイト,宿主遺伝子,経路,薬物,表現型間の相互作用に基づくSARS-CoV-2知識グラフを構築した。
臨床治験履歴を用いて候補薬剤を優先し,遺伝子プロファイル,in vitro実験の有効性,電子健康記録で検証した。
論文 参考訳(メタデータ) (2020-09-23T04:47:59Z) - 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)
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。