HGANMDA: Una red adversarial heterogénea para la predicción de asociaciones multimodales entre microbios y fármacos

Área de la Ciencia:

• Informática biomédica
• Biología computacional
• Farmacología de redes

Sus antecedentes:

• La predicción precisa de asociaciones microbio-fármaco (AMF) es esencial para la terapia antimicrobiana y el reposicionamiento de fármacos.
• La validación experimental es costosa y requiere mucho tiempo.
• Los modelos existentes tienen dificultades con las interacciones de redes biomédicas heterogéneas y multiescala.

Objetivo del estudio:

• Desarrollar un modelo computacional avanzado para predecir asociaciones microbio-fármaco.
• Abordar las limitaciones de los métodos actuales para capturar estructuras complejas de redes biológicas.

Principales métodos:

• Se desarrolló HGANMDA, una red adversarial heterogénea.
• Se integraron datos biológicos multimodales en un grafo heterogéneo unificado.
• Se empleó un codificador estructural multicanal con agregación basada en atención.
• Se introdujo una regularización de incrustación adversarial para mejorar la robustez y la separabilidad de las características.

Principales resultados:

• HGANMDA superó consistentemente a los modelos de referencia de última generación en múltiples métricas en tres conjuntos de datos de referencia.
• Demostró un rendimiento superior en la predicción de asociaciones microbio-fármaco.
• Validó la efectividad del enfoque propuesto de aprendizaje de grafos heterogéneos.

Conclusiones:

• El aprendizaje de grafos heterogéneos con regularización adversarial muestra un potencial significativo para avanzar en la investigación antimicrobiana.
• HGANMDA ofrece un método robusto y preciso para predecir asociaciones microbio-fármaco.
• Los hallazgos respaldan el uso de técnicas avanzadas de aprendizaje de redes en el descubrimiento y desarrollo de fármacos.