ネットワークモデルにおける薬剤副作用の過小予測を改善する、キュレーションおよび構造ベースの薬剤ターゲット相互作用

科学分野:

• 薬理学と創薬
• 計算生物学
• 毒性学

背景:

• 薬剤誘発性副作用の正確な予測は、製薬開発における主要な障害であり、しばしば後期段階での失敗につながります。
• 従来の動物実験やin vitroアッセイは、コスト、倫理、およびヒトへの転写可能性において限界があります。
• タンパク質間相互作用ネットワークのような、有害事象を予測するための既存の計算モデルは、しばしば過小予測とデータの不整合に苦しんでいます。

研究 の 目的:

• 薬剤副作用予測の改善のために、複数のソースからの薬剤結合ターゲットをPathFXプラットフォームに統合する影響を評価すること。
• 異なるデータ統合戦略が、有害事象予測の感度と特異性にどのように影響するかを分析すること。
• 薬剤安全性評価における機械学習アプローチの強化のための基盤を提供すること。

主な方法:

• 6つの異なるデータベース（DrugBank、ChEMBL、PubChem、STITCH、TTD、PocketFEATURE）からの薬剤結合ターゲットをPathFXプラットフォームに統合しました。
• 統合されたデータソース全体で、ユニークな薬剤ターゲット相互作用、タンパク質クラス、および機能を分析しました。
• データソースの特性に基づいて、予測感度と特異性の間のトレードオフを定量的に評価しました。

主要な成果:

• 新しい薬剤ターゲットの統合により、これまで認識されていなかった副作用の予測が可能になりました。
• 感度と特異性の間には明確なトレードオフが観察されました。
• より大きな探索的データベースは、特異性を犠牲にして感度を向上させました。
• より小さな、キュレーションされた、または構造的に予測されたターゲットデータベースは、PathFXのような説明可能なプラットフォームに適した特異性を強化しました。

結論:

• 多様な薬剤ターゲットデータソースの統合は、薬剤副作用予測の精度に大きく影響します。
• 予測モデルにおける感度と特異性のバランスを取るためには、データソースと統合戦略の選択が重要です。
• この研究は、薬剤安全性における仮説生成のための単純な説明可能なプラットフォームと、大規模データのための洗練された機械学習モデルの開発をサポートします。