基于专家知识的药物重新定位增强图形神经网络

科学领域:

• 计算生物学和化学信息学.
• 药物的发现和开发.
• 医疗保健中的人工智能.

背景情况:

• 药物重新定位加速了对现有药物的新治疗指示的识别.
• 图形神经网络 (GNN) 对于建模药物疾病关联是有效的,但通常使用随机初始化的节点嵌入.
• 现有的GNN方法缺乏可解释性,并未将生物数据库中的有价值的专家知识纳入.

研究的目的:

• 开发一个新的框架,DReKGNN,用于药物重新定位,将专家知识整合到GNN中.
• 提高用于药物疾病关联预测的节点嵌入的可解释性和准确性.
• 提高药物发现管道的效率和有效性.

主要方法:

• DReKGNN利用大型语言模型 (LLM) 作为一个语义桥梁,将DrugBank和OMIM数据库的专家知识纳入其中.
• 专家知识描述,专注于生物机制,直接从数据库中提取,避免提示模板.
• 通过LLM生成的节点嵌入与GNN集成,使用平均聚合策略来减轻噪音并改善预测.

主要成果:

• 实验结果表明,与现有方法相比,DReKGNN在预测药物疾病关联方面表现优越.
• 案例研究进一步证实了DReKGNN框架的有效性.
• 生成的节点嵌入式是可解释的,并与专家生物知识保持一致.

结论:

• 通过LLM和GNN整合专家知识,DReKGNN有效地提高了药物重新定位.
• 该框架提供可解释的节点嵌入,推进AI驱动药物发现领域.
• DReKGNN提供了一种有前途的方法来加快新药指示的识别.