VHGAE: Modelo de predicción de la interacción fármaco-objetivo basado en el autoencoder variacional de gráficos...

Área de la Ciencia:

• Biología computacional
• La bioinformática
• Ciencia de las redes

Sus antecedentes:

• La identificación de la interacción fármaco-objetivo (DTI) es esencial para el descubrimiento y reposicionamiento de fármacos.
• Los métodos biológicos tradicionales para la identificación de DTI requieren mucho tiempo y son costosos.
• Los métodos de red heterogéneos ofrecen un enfoque más rápido para la predicción de DTI, pero la escasez de datos de DTI conocidos plantea un desafío para las redes convolucionales de gráficos.

Objetivo del estudio:

• Proponer VHGAE, un nuevo método basado en un autoencoder variacional de gráfico heterogéneo para una predicción precisa de la interacción entre fármacos.
• Abordar el problema de la escasez de datos en redes heterogéneas para la predicción de DTI.
• Aprovechar el conocimiento previo de múltiples fuentes para mejorar la predicción de DTI.

Principales métodos:

• Construyó una red heterogénea mediante la integración de diversos conocimientos previos sobre drogas y objetivos.
• Aplicó el algoritmo de k-vecino más cercano ponderado para densificar la red de interacción de fármaco-objetivo, mejorando la conectividad de los nodos.
• Utilizó una red convolucional de gráficos ponderados dentro de un marco de autoencoder de gráficos variacionales para fortalecer los pesos de los bordes.
• Incorporó un algoritmo de maximización de expectativas variacionales para recuperar relaciones potenciales dentro de la red escasa.

Principales resultados:

• El método VHGAE propuesto demostró un rendimiento superior en la predicción de las interacciones fármaco-objetivo.
• VHGAE superó a nueve métodos de predicción DTI de última generación existentes en dos conjuntos de datos de referencia.
• Los resultados ponen de relieve la eficacia del enfoque de VHGAE para la fusión de datos de múltiples fuentes y el procesamiento escaso de la red.

Conclusiones:

• VHGAE mejora significativamente la precisión de la predicción de las interacciones entre fármacos mediante el manejo eficaz de redes heterogéneas escasas.
• La capacidad del método para integrar datos de múltiples fuentes y procesar redes dispersas es clave para mejorar su rendimiento.
• VHGAE ofrece un enfoque computacional prometedor para acelerar el descubrimiento de fármacos y los esfuerzos de reposicionamiento.