論文の概要: Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing
- arxiv url: http://arxiv.org/abs/2312.01272v1
- Date: Sun, 3 Dec 2023 04:01:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:20:00.402636
- Title: Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing
- Title（参考訳）: インタラクタミクスネットワークにおけるマルチスケールトポロジー:トランスクリプトームから抗addiction薬の再利用まで
- Authors: Hongyan Du, Guo-Wei Wei, Tingjun Hou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.3683202928838613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The escalating drug addiction crisis in the United States underscores the
urgent need for innovative therapeutic strategies. This study embarked on an
innovative and rigorous strategy to unearth potential drug repurposing
candidates for opioid and cocaine addiction treatment, bridging the gap between
transcriptomic data analysis and drug discovery. We initiated our approach by
conducting differential gene expression analysis on addiction-related
transcriptomic data to identify key genes. We propose a novel topological
differentiation to identify key genes from a protein-protein interaction (PPI)
network derived from DEGs. This method utilizes persistent Laplacians to
accurately single out pivotal nodes within the network, conducting this
analysis in a multiscale manner to ensure high reliability. Through rigorous
literature validation, pathway analysis, and data-availability scrutiny, we
identified three pivotal molecular targets, mTOR, mGluR5, and NMDAR, for drug
repurposing from DrugBank. We crafted machine learning models employing two
natural language processing (NLP)-based embeddings and a traditional 2D
fingerprint, which demonstrated robust predictive ability in gauging binding
affinities of DrugBank compounds to selected targets. Furthermore, we
elucidated the interactions of promising drugs with the targets and evaluated
their drug-likeness. This study delineates a multi-faceted and comprehensive
analytical framework, amalgamating bioinformatics, topological data analysis
and machine learning, for drug repurposing in addiction treatment, setting the
stage for subsequent experimental validation. The versatility of the methods we
developed allows for applications across a range of diseases and transcriptomic
datasets.
- Abstract（参考訳）: 米国における薬物依存の増大は、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候補を検索し,転写学的データ分析と薬物発見のギャップを埋める,革新的で厳格な手法を考案した。
依存症関連転写学的データを用いて遺伝子解析を行い,重要な遺伝子を同定した。
タンパク質間相互作用(PPI)ネットワークから鍵遺伝子を同定するための新しいトポロジカル分化法を提案する。
この手法は永続的なラプラシアンを用いてネットワーク内の重要なノードを正確に分離し、高い信頼性を確保するためにマルチスケールで解析を行う。
mtor, mglur5, nmdarの3つの重要な分子標的を薬物バンクから精製し, 厳密な文献検証, 経路解析, データ利用性検査により同定した。
我々は2つの自然言語処理(nlp)ベースの埋め込みと従来の2d指紋を用いた機械学習モデルを構築し,薬剤バンク化合物の標的に対する結合親和性を測定するための堅牢な予測能力を示した。
さらに,有望な薬物と標的との相互作用を解明し,その薬物類似性を評価した。
本研究は,多面的かつ包括的な分析フレームワークであるバイオインフォマティクス,トポロジカルデータ解析,機械学習を特徴とし,薬物依存症治療において再導入し,その後の実験検証の舞台を定めている。
我々が開発した手法の汎用性は、様々な疾患や転写学データセットにまたがる応用を可能にする。
関連論文リスト
- Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。
これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
論文 参考訳（メタデータ） (2024-09-06T02:03:38Z) - Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:42:32Z) - 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) - PGraphDTA: Improving Drug Target Interaction Prediction using Protein
Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。
タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。
性能向上のための新しい改良を提案する。
論文 参考訳（メタデータ） (2023-10-06T05:00:25Z) - SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction
and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。
特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。
私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文 参考訳（メタデータ） (2023-06-19T17:03:46Z) - 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) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - Graph2MDA: a multi-modal variational graph embedding model for
predicting microbe-drug associations [7.149873402253933]
微生物は抗菌剤の開発に新たな標的となっている。
微生物と薬物の関連性のスクリーニングは、薬物の研究と開発に大きな利益をもたらす。
微生物と薬物の関連性を予測する新しい方法であるGraph2MDAを提案する。
論文 参考訳（メタデータ） (2021-08-14T07:33:05Z) - DeepDDS: deep graph neural network with attention mechanism to predict
synergistic drug combinations [0.9854322576538699]
計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています
DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
論文 参考訳（メタデータ） (2021-07-06T08:25:43Z) - Interpretable Drug Synergy Prediction with Graph Neural Networks for
Human-AI Collaboration in Healthcare [23.151336811933938]
本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。
idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。
46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
論文 参考訳（メタデータ） (2021-05-14T22:20:29Z)
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。