論文の概要: A Machine Learning Framework for Pathway-Driven Therapeutic Target Discovery in Metabolic Disorders

• arxiv url: http://arxiv.org/abs/2509.18140v1
• Date: Sun, 14 Sep 2025 19:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.411697
• Title: A Machine Learning Framework for Pathway-Driven Therapeutic Target Discovery in Metabolic Disorders
• Title（参考訳）: メタボリック障害における経路駆動療法ターゲット発見のための機械学習フレームワーク
• Authors: Iram Wajahat, Amritpal Singh, Fazel Keshtkar, Syed Ahmad Chan Bukhari,
• Abstract要約: 本研究では,遺伝子に依存しない経路マッピングと予測モデリングを統合し,リスクの高い個人を特定する新しい機械学習(ML)フレームワークを提案する。 ピマ・インディアンのデータセットを用いて、T2DMの重要な予測因子を特定するためにロジスティック回帰とt-testを適用し、全体のモデル精度は78.43%となった。
• 参考スコア（独自算出の注目度）: 1.41678086736482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metabolic disorders, particularly type 2 diabetes mellitus (T2DM), represent a significant global health burden, disproportionately impacting genetically predisposed populations such as the Pima Indians (a Native American tribe from south central Arizona). This study introduces a novel machine learning (ML) framework that integrates predictive modeling with gene-agnostic pathway mapping to identify high-risk individuals and uncover potential therapeutic targets. Using the Pima Indian dataset, logistic regression and t-tests were applied to identify key predictors of T2DM, yielding an overall model accuracy of 78.43%. To bridge predictive analytics with biological relevance, we developed a pathway mapping strategy that links identified predictors to critical signaling networks, including insulin signaling, AMPK, and PPAR pathways. This approach provides mechanistic insights without requiring direct molecular data. Building upon these connections, we propose therapeutic strategies such as dual GLP-1/GIP receptor agonists, AMPK activators, SIRT1 modulators, and phytochemical, further validated through pathway enrichment analyses. Overall, this framework advances precision medicine by offering interpretable and scalable solutions for early detection and targeted intervention in metabolic disorders. The key contributions of this work are: (1) development of an ML framework combining logistic regression and principal component analysis (PCA) for T2DM risk prediction; (2) introduction of a gene-agnostic pathway mapping approach to generate mechanistic insights; and (3) identification of novel therapeutic strategies tailored for high-risk populations.
• Abstract（参考訳）: メタボリック障害、特に2型糖尿病(T2DM)は、ピマ・インディアン(アリゾナ州南部から来たインディアン部族)のような遺伝的に未分化の集団に不均等に影響を与えている。 本研究では、遺伝子に依存しない経路マッピングと予測モデリングを統合し、リスクの高い個人を特定し、潜在的治療対象を明らかにする新しい機械学習(ML)フレームワークを提案する。 ピマ・インディアンのデータセットを用いて、T2DMの重要な予測因子を特定するためにロジスティック回帰とt-testを適用し、全体のモデル精度は78.43%となった。 生体関連性による予測分析を橋渡しするために,インスリンシグナル,AMPK,PPAR経路を含む重要なシグナルネットワークに同定された予測器をリンクする経路マッピング戦略を開発した。 このアプローチは直接的な分子データを必要としない機械的な洞察を与える。 本研究はGLP-1/GIP受容体アゴニスト,AMPKアクチベーター,SIRT1モジュレータ,植物化学などの治療戦略について,経路濃縮分析によりさらに検証した。 全体として、このフレームワークは、早期発見のための解釈可能でスケーラブルなソリューションと、代謝障害に対する標的的介入を提供することにより、精密医療を進歩させる。 本研究の主な貢献は,(1)T2DMリスク予測のためのロジスティック回帰と主成分分析(PCA)を組み合わせたMLフレームワークの開発,(2)機械的洞察を生成する遺伝子非依存経路マッピングアプローチの導入,(3)高リスク人口に適した新規な治療戦略の同定である。

関連論文リスト

• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [80.08310253195144]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling [5.831554646284266]
  scGSDRは、細胞状態と遺伝子シグナル伝達経路の知識に基づく2つの計算パイプラインを統合するモデルである。 scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、解釈可能性モジュールを使用する。 モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
  論文  参考訳（メタデータ） (2025-02-02T15:43:20Z)
• 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)
• AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands [9.135203550164833]
  現状のモデルは、新しい構造への一般化に失敗することを示す。 ネットワークベースのサンプリング戦略と教師なし事前トレーニングを組み合わせたパイプラインであるAI-Bindを紹介する。 我々は,SARS-CoV-2ウイルスタンパク質に結合した薬剤や天然化合物を予測し,AI-Bindの価値を説明する。
  論文  参考訳（メタデータ） (2021-12-25T01:52:58Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。