DVMMHGNN: Una Red Neuronal de Grafos Heterogéneos Multimodal de Vista Dual con Aprendizaje Contrastivo para la...

Área de la Ciencia:

• Biología Computacional
• Farmacología
• Bioinformática

Sus antecedentes:

• La reposición de fármacos (DR) acelera el desarrollo farmacéutico al encontrar nuevos usos para los fármacos existentes.
• La identificación precisa de las asociaciones fármaco-enfermedad es crucial pero desafiante debido a las complejas interacciones biológicas.
• Los métodos actuales a menudo descuidan el papel regulador de la microbiota y luchan con la consistencia semántica en la integración de datos.

Objetivo del estudio:

• Proponer DVMMHGNN, un marco de aprendizaje contrastivo de grafos heterogéneos informados por microbios para mejorar la reposición de fármacos.
• Abordar las limitaciones de los enfoques computacionales existentes, particularmente en lo que respecta a la influencia de la microbiota y la consistencia semántica.

Principales métodos:

• Se desarrolló DVMMHGNN, integrando información estructural y de metapathos utilizando un marco de aprendizaje contrastivo de grafos heterogéneos.
• Se empleó un módulo de fusión de características multimodales para la incrustación de entidades entre modalidades.
• Se utilizó un autoencoder enmascarado de grafos para el aprendizaje de representaciones de orden superior.
• Se aplicó aprendizaje contrastivo en niveles estructurales y de metapathos para mejorar la coherencia semántica.

Principales resultados:

• DVMMHGNN superó significativamente a nueve métodos de vanguardia en la predicción de asociaciones fármaco-enfermedad.
• Se lograron métricas de rendimiento superiores, que incluyen AUC, AUPR y F1-score.
• Los estudios de ablación confirmaron la efectividad de los componentes individuales del modelo.

Conclusiones:

• DVMMHGNN ofrece un enfoque potente para la reposición de fármacos informada por microbios, mejorando la precisión de la predicción.
• El marco captura eficazmente la semántica biológica compleja para una mejor identificación de las asociaciones fármaco-enfermedad.
• DVMMHGNN tiene el potencial de descubrir nuevas indicaciones de fármacos y guiar las estrategias terapéuticas.