药物Rep-HeSiaGraph:当异质的罗神经网络与药物重用知识图相遇时

科学领域:

• 计算生物学和生物信息学
• 人工智能在药物发现中的作用
• 药理学和药物化学 药理学和药物化学

背景情况:

• 药物重定向通过确定现有药物的新用途来加速治疗发展.
• 知识图表是药物重新利用的宝贵工具,但面临着构建和嵌入挑战.
• 开发强大的知识图集集成方法对于推动药物发现至关重要.

研究的目的:

• 提出一种新的两步方法,DrugRep-HeSiaGraph,用于有效的药物重定位.
• 解决构建和嵌入药物疾病知识图的挑战.
• 通过使用先进的机器学习技术,识别潜在的疾病候选药物.

主要方法:

• 使用新型关系类型构建药物疾病知识图 (DDKG-V1).
• 分布式学习的应用,用于创建节点的数值向量表示.
• 利用异质罗神经网络 (HeSiaNet) 丰富嵌入并预测候选药物.

主要成果:

• 药物复制-HeSiaGraph实现了高性能指标:AUC-ROC为91.16%,AUC-PR为90.32%,准确率为84.63%.
• 该方法成功识别了COVID-19的潜在药物.
• 滴基酶4 (DPP-4) 被确定为潜在的SARS-CoV-2受体,DPP-4抑制剂显示出有前途.

结论:

• 拟议的DrugRep-HeSiaGraph方法在治疗COVID-19的药物重定位方面表现出有效性.
• 这项研究强调了DPP-4抑制剂在抗击COVID-19方面的潜力.
• 公共可用的代码和数据促进了药物发现的进一步研究和应用.