ConvAHKG：薬剤再利用のためのデュアルチャネル畳み込みアプローチを備えたアクションベースのハイブリッド知識グラフ

科学分野:

• 計算生物学およびバイオインフォマティクス
• 創薬および開発
• 医療における人工知能

背景:

• 薬剤再利用は、既存の薬剤の新しい治療用途の特定を加速し、開発時間とコストを削減します。
• 薬剤疾患関連性の予測は、データ複雑性とクラス不均衡による課題に直面しているものの、効果的な薬剤再利用にとって重要です。

研究 の 目的:

• 薬剤疾患関連性の予測を改善するための、アクションベースのハイブリッド知識グラフアプローチであるConvAHKGを提案すること。
• 薬剤再利用フレームワークを包括するために、生物学的関係を活用し、薬物/疾患の特徴を統合すること。
• 薬剤疾患データセットにおけるクラス不均衡に対処し、予測パフォーマンスを向上させること。

主な方法:

• Word2Vec埋め込みを利用して、生物学的実体（薬剤、タンパク質、疾患）間の意味的類似性を捉えました。
• 薬剤疾患ペアの分類のために、新しいデュアルチャネル1D畳み込みニューラルネットワーク（IDC_Conv1D）を導入しました。
• クラス不均衡の問題を軽減するために、重み付きバイナリクロスエントロピー損失関数を実装しました。

主要な成果:

• ConvAHKGは、曲線下面積（AUC）0.9836および適合率-再現率曲線下面積（AUPRC）0.9686で、最先端モデルと比較して優れたパフォーマンスを達成しました。このフレームワークは、非小細胞肺がん（NSCLC）の有望な治療候補（例：トラスツズマブ）を特定することに成功しました。分子ドッキング解析は、予測された化合物がNSCLCの新しい治療法となる可能性を支持しました。

結論:

• ConvAHKGは、薬剤再利用および薬剤疾患関連性の予測のための堅牢で効果的なアプローチを提供します。
• この方法は、特にNSCLCのような複雑な疾患に対する新しい治療戦略の特定において、大きな可能性を示しています。
• この研究は、創薬の取り組みを進めるための検証済みの計算フレームワークとオープンソースリソースを提供します。