通过对生物医学文献的链接预测,重新利用阿尔茨海默病的非药物干预措施

科学领域:

• 生物医学信息学 生物医学信息学
• 神经科学是一个神经科学.
• 计算生物学 计算生物学

背景情况:

• 非药物干预 (NPI) 对认知功能有前景,但对于阿尔茨海默病 (AD) 预防尚未得到充分探索.
• 现有的研究缺乏一种系统的方法来发现和重新利用AD的NPI.

研究的目的:

• 开发一个创新的框架,从生物医学文献中提取和表示NPI信息.
• 为与AD相关的NPI构建一个全面的知识图 (KG).
• 训练和评估机器学习模型,用于预测AD预防的新型NPI.

主要方法:

• 通过从生物医学文献中提取NPI信息,构建了ADInt知识图.
• 使用SuppKG和一个NPI词典来识别NPI实体.
• 训练并比较了六个KG嵌入和图形卷积网络模型 (TransE,RotatE,DistMult,ComplEX,R-GCN,CompGCN).
• 在时间切片和临床试验实地真实测试套件上评估模型.
• 应用发现模式来生成候选NPI的机械路径.

主要成果:

• ADInt KG包含162212个节点和1017284个边缘.
• 在两种测试组中,R-GCN模型表现出优异的性能 (MR=5.2054,Hits@10=0.8496用于时间段;MR=3.4996,Hits@10=0.9192用于临床试验).
• 该领域的专家评估提出了10种新的食补充剂和10种补充和整合性健康干预措施.
• 确定了光动力学治疗和大支柱病的可信的机制性途径;使用现实世界的数据验证了心理治疗和手动治疗.

结论:

• 开发的框架通过利用知识图表和机器学习,有效地重新利用NPI来预防AD.
• 该研究确定了有前途的新型NPI,阐明了潜在的机制性途径,为AD预防策略提供了新的途径.
• 这种方法提供了一个可扩展的方法来发现和理解NPI在复杂的疾病,如AD.