一种经过实验验证的方法,用于在药物发现中使用知识图来自动生成生物证据

科学领域:

• 计算生物学是一种计算生物学.
• 药理学 药理学是指药理学的学科.
• 人工智能的人工智能是人工智能.

背景情况:

• 药物重新定位旨在确定现有药物的新用途.
• 生物知识图 (KG) 可以预测药物治疗和治疗规则.
• 目前的KG方法产生了许多不相关的路径,限制了临床效用.

研究的目的:

• 开发和验证一种新的方法来解释使用生物KG的药物重新定位预测.
• 提高预测的治疗途径的生物相关性和机械解释性.
• 为了减少KG完成模型产生的无关路径的数量.

主要方法:

• 使用基于强化学习的知识图表完成模型.
• 集成了一个自动过方法来选择相关的生物规则和路径.
• 与 Fragile X 综合征的临床前实验数据对该方法进行了验证.
• 在囊性纤维化和帕金森病的案例研究中评估了路径减少.

主要成果:

• 在脆弱X综合征中,自动提取的路径与实验性转录变化之间显示出强烈的相关性.
• 成功确定了相关途径,解释了药物Sulindac和Ibudilast的治疗联系.
• 在产生的路径中实现了显著的减少:85%的囊性纤维化和95%的帕金森病.

结论:

• 拟议的方法有效地提高了生物KG的药物重新定位预测的解释性和相关性.
• 这种方法有望通过提供机理上有意义的治疗见解来加速药物发现.
• 减少无关的途径提高了基于KG的药物重新定位策略的效率和实用性.