DRPMKB1.0: Una base de conocimiento integral para un modelo de predicción de reposicionamiento de fármacos orientado...

Área de la Ciencia:

• Biología computacional
• Inteligencia artificial en el descubrimiento de fármacos
• Farmacología

Sus antecedentes:

• El reposicionamiento de fármacos (DR) acelera el desarrollo de fármacos al encontrar nuevos usos para los medicamentos existentes.
• La proliferación de modelos de inteligencia artificial (IA) en DR requiere una integración y gestión de recursos efectivas.
• Los modelos de lenguaje grandes (LLM) ofrecen una amplia aplicabilidad, pero se benefician de bases de conocimiento personalizadas para mejorar la precisión.

Objetivo del estudio:

• Desarrollar una base de conocimiento integral orientada a la IA para la predicción del reposicionamiento de fármacos (DRPMKB 1.0).
• Crear un marco estandarizado para evaluar e integrar diversos modelos y conjuntos de datos de IA para DR.
• Mejorar la precisión y eficiencia del reposicionamiento personalizado de fármacos a través de recomendaciones de modelos a medida.

Principales métodos:

• Se compilaron datos de PubMed hasta marzo de 2024, cubriendo 45 categorías, 193 modelos y 693 entradas de datos.
• Se desarrolló DRPMKB 1.0 con interfaces de visualización e interacción en las dimensiones de datos, modelo, aplicación y referencia.
• Se estableció un marco de doble evaluación para evaluar la calidad inherente del modelo y la evidencia predictiva.

Principales resultados:

• DRPMKB 1.0 proporciona una plataforma centralizada de intercambio de datos para DR.
• El marco de doble evaluación estandariza la selección y evaluación de modelos.
• Las recomendaciones personalizadas basadas en datos del usuario mejoran significativamente la precisión de la predicción de DR.

Conclusiones:

• DRPMKB 1.0 ofrece una plataforma robusta e integrada para el reposicionamiento de fármacos impulsado por IA.
• La base de conocimiento facilita la integración perfecta de diversos datos y modelos, apoyando la mejora continua de la IA.
• Este recurso empodera a los investigadores con recomendaciones de modelos a medida, avanzando en los esfuerzos de descubrimiento de fármacos personalizados.