Drug Repositioning Based on the Enhanced Message Passing and Hypergraph Convolutional Networks.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

İlaç geliştirmenin önemli bir yöntemi olan ilaç yeniden konumlandırılması, başlangıçta onaylanmış endikasyonların ötesinde araştırma amaçlı ilaçları keşfetmek, ilaçların uygulama kapsamını genişletmek ve ilaç geliştirme maliyetini azaltmak için kullanılır. Giderek artan uyuşturucu-hastalık ile ilgili biyolojik ağların ortaya çıkmasıyla, biyolojik varlık verilerini etkili bir şekilde kaynaştırmak ve ilaç-hastalık yeniden konumlandırmasını doğru bir şekilde elde etmek için zorluk hala devam ediyor. Bu makale, geliştirilmiş mesaj geçişi ve hipergraf konvolüsyonel ağlara (HGCN) dayanan EMPHN adlı yeni bir ilaç yeniden konumlandırma yöntemi önermektedir. İlk olarak homojen çoklu görüş bilgisini çoklu ilaç benzerlik özelliklerine sahip olarak yapılandırır ve daha sonra HGCN ve kanal dikkat mekanizmasının kombinasyonu yoluyla ilaçların alan içi gömmesini çıkarır. İkincisi, bilinen ilaç-hastalık derneklerinin alanlararası bilgileri, düğüm ve kenar gömme (NEEGCN) birleştiren grafik konvolutional ağlar tarafından çıkarılır ve uyuşturucu, protein ve hastalıklardan oluşan heterojen bir ağ, uyuşturucu ve hastalıkların alanlararası mesajını geliştirmek için önemli bir yardımcı olarak inşa edilir. Ayrıca, hastalıkların intra-domain gömmesi de HGCN yoluyla çıkarılır. Sonuçta, ilaç ve hastalıkların alan içi ve alanlararası gömmeleri, ilaç-hastalık korelasyon matrisini hesaplamak için son gömme olarak entegre edilmiştir. Bazı benchmark veri kümelerinde 10 kat çapraz doğrulama sayesinde, EMPHCN'nin AUPR'sinin sırasıyla 0.593 (T1) ve 0.526 (T2)'ye ulaştığını ve AUC'nin sırasıyla 0.887 (T1) ve 0.961 (T2)'e ulaştığını görüyoruz, bu da EMPHCN'nin diğer son teknoloji tahmin yöntemlerine göre bir avantaja sahip olduğunu gösteriyor. Yeni hastalık derneği tahmini ile ilgili olarak, EMPHCN'nin beş kat çapraz doğrulama yoluyla AUC'si sırasıyla mevcut ikinci en iyi yöntemlerden %4,3 (T1) ve %4,0 (T2) daha yüksek olan 0.806 (T1) ve 0.845 (T2)'e ulaşır. Vaka çalışmasında, EMPHCN ayrıca meme karsinomu ve Parkinson hastalığı için gerçek ilaç repozisyonunda tatmin edici sonuçlar elde eder.

Özgün kaynak özetini okuyun

Drug repositioning, an important method of drug development, is utilized to discover investigational drugs beyond the originally approved indications, expand the application scope of drugs, and reduce the cost of drug development. With the emergence of increasingly drug-disease-related biological networks, the challenge still remains to effectively fuse biological entity data and accurately achieve drug-disease repositioning. This paper proposes a new drug repositioning method named EMPHCN based on enhanced message passing and hypergraph convolutional networks (HGCN). It firstly constructs the homogeneous multi-view information with multiple drug similarity features and then extracts the intra-domain embedding of drugs through the combination of HGCN and channel attention mechanism. Secondly, inter-domain information of known drug-disease associations is extracted by graph convolutional networks combining node and edge embedding (NEEGCN), and a heterogeneous network composed of drugs, proteins and diseases is built as an important auxiliary to enhance the inter-domain message passing of drugs and diseases. Besides, the intra-domain embedding of diseases is also extracted through HGCN. Ultimately, intra-domain and inter-domain embeddings of drugs and diseases are integrated as the final embedding for calculating the drug-disease correlation matrix. Through 10-fold cross-validation on some benchmark datasets, we find that the AUPR of EMPHCN reaches 0.593 (T1) and 0.526 (T2), respectively, and the AUC achieves 0.887 (T1) and 0.961 (T2) respectively, which shows that EMPHCN has an advantage over other state-of-the-art prediction methods. Concerning the new disease association prediction, the AUC of EMPHCN through the five-fold cross-validation reaches 0.806 (T1) and 0.845 (T2), which are 4.3% (T1) and 4.0% (T2) higher than the second best existing methods, respectively. In the case study, EMPHCN also achieves satisfactory results in real drug repositioning for breast carcinoma and Parkinson's disease.

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.