NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Klinik çalışmaların çoğu, araştırılan ilaçların düşük etkinliği nedeniyle başarısız olur ve genellikle zayıf bir hedef protein seçiminden kaynaklanır. Mevcut hesaplama yaklaşımları, ya genetik kanıtlar yoluyla ya da potansiyel hedefleri hastalığa özgü bir ağ yeniden yapılandırması bağlamında ortaya koyarak hedef seçimi desteklemeyi amaçlamaktadır. Bu çalışmanın amacı, ağ temsili öğrenme tekniklerinin, putatif hedeflerin makine öğrenimine dayalı olarak önceliklendirilmesine izin vermek için kullanılıp kullanılamayacağını araştırmaktı. Hastalıklara özgü diferansiyel gen ekspresyonu ile notlanan ve aday sıralaması için pozitif etiketsiz (PU) makine öğrenimi kullanan genom çapında bir protein-protein etkileşim ağının atfedilen ağ temsili öğrenmesine dayanan yeni bir hedef önceliklendirme yaklaşımı olan GuiltyTargets'i önermekteyiz. Farklı tipteki altı hastalıktan (kanser, metabolik, nörodejeneratif) oluşan 12 veri kümesine yaklaşımımızı 10 kat tekrarlanan 5 kat tabakalı çapraz doğrulamada değerlendirdik ve 0,92 - 0,97 arasında AUROC değerlerine ulaştık, elle tasarlanmış topolojik özelliklere dayanan önceki yaklaşımlardan önemli ölçüde daha iyi performans gösterdik. Dahası, GuiltyTargets'in ilgili hastalık bölgelerinde hedef yeniden konumlandırmaya izin verdiğini gösterdik. GuiltyTargets'in Alzheimer hastalığına uygulanması, literatürde şu anda hedef olarak tartışılan bir dizi yüksek dereceli adayla sonuçlandı. İlginç bir şekilde, biri (COMT), Parkinson hastalığı için onaylanmış bir ilacın (Tolcapone) hedefidir ve yöntemimizle hedef yeniden konumlandırma potansiyelini vurgulamaktadır. GuiltyTargets Python paketi PyPI'de mevcuttur ve analiz için kullanılan tüm kodlar MIT Lisansı altında bulunabilir https://github.com/GuiltyTargets. Bağlı ağ temsili öğrenme teknikleri, farklı hastalıklardaki moleküler mekanizmalar hakkında mevcut bilgileri etkili bir şekilde kullanmak için ilginç bir yaklaşım sağlar. Bu çalışmada, hedef önceliklendirme için pozitif etiketsiz öğrenme ile kombinasyon, klasik özellik mühendisliği yaklaşımlarına kıyasla net bir üstünlük gösterdi. Çalışmamız, hedef önceliklendirme için atfedilen ağ temsili öğrenmenin potansiyelini vurgulamaktadır. Hesaplamalı biyolojideki ağların genel olarak ilgili olduğu göz önüne alındığında, atfedilen ağ temsili öğrenme tekniklerinin gelecekte daha geniş bir etkiye sahip olabileceğine inanıyoruz.
Özgün kaynak özetini okuyun
The majority of clinical trials fail due to low efficacy of investigated drugs, often resulting from a poor choice of target protein. Existing computational approaches aim to support target selection either via genetic evidence or by putting potential targets into the context of a disease specific network reconstruction. The purpose of this work was to investigate whether network representation learning techniques could be used to allow for a machine learning based prioritization of putative targets. We propose a novel target prioritization approach, GuiltyTargets, which relies on attributed network representation learning of a genome-wide protein-protein interaction network annotated with disease-specific differential gene expression and uses positive-unlabeled (PU) machine learning for candidate ranking. We evaluated our approach on 12 datasets from six diseases of different type (cancer, metabolic, neurodegenerative) within a 10 times repeated 5-fold stratified cross-validation and achieved AUROC values between 0.92 - 0.97, significantly outperforming previous approaches that relied on manually engineered topological features. Moreover, we showed that GuiltyTargets allows for target repositioning across related disease areas. An application of GuiltyTargets to Alzheimer's disease resulted in a number of highly ranked candidates that are currently discussed as targets in the literature. Interestingly, one (COMT) is also the target of an approved drug (Tolcapone) for Parkinson's disease, highlighting the potential for target repositioning with our method. The GuiltyTargets Python package is available on PyPI and all code used for analysis can be found under the MIT License at https://github.com/GuiltyTargets. Attributed network representation learning techniques provide an interesting approach to effectively leverage the existing knowledge about the molecular mechanisms in different diseases. In this work, the combination with positive-unlabeled learning for target prioritization demonstrated a clear superiority compared to classical feature engineering approaches. Our work highlights the potential of attributed network representation learning for target prioritization. Given the overarching relevance of networks in computational biology we believe that attributed network representation learning techniques could have a broader impact in the future.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.