SMPR: A structure-enhanced multimodal drug-disease prediction model for drug repositioning and cold start

要約

薬物疾患の関係を再配置することは、常に研究の熱い分野でした。
ただし、生物学的に検証された薬物移転の実際の症例は非常に限られたままであり、既存のモデルはまだ薬物の構造情報を完全に利用していません。
さらに、ほとんどの再配置モデルは、関係マトリックスを完了するためにのみ使用され、薬物のコールドスタートの問題に対処する場合、それらの実用性は貧弱です。
このペーパーでは、構造強化マルチモーダル関係予測モデル（SMRP）を提案します。
SMPRは、mol2vecメソッドを使用して薬物埋め込み表現を生成し、異種ネットワークグラフニューラルネットワークを介して疾患埋め込み表現を学習し、薬物の笑顔構造に基づいています。
最終的に、薬物障害関係マトリックスが構築されます。
さらに、ユーザーの使用の難しさを減らすために、SMPRは、薬物関連の疾患を簡単かつ迅速に予測するための再配置の結果に基づく構造的類似性に基づいたコールドスタートインターフェイスも提供します。
モデルの再配置能力とコールドスタート機能は、複数の視点から検証されます。
再配置のAUCとACUPRスコアはそれぞれ99％と61％に達しますが、コールドスタートのAUCは80％を達成します。
特に、コールドスタートリコールインジケーターは70％以上に達する可能性があります。つまり、SMPRは正のサンプルにより敏感です。
最後に、ケース分析を使用してモデルの実用的な値を検証し、視覚分析はモデルへの構造の改善を直接示します。
迅速な使用のために、モデルのローカル展開も提供し、実行可能なプログラムにパッケージ化します。

要約(オリジナル)

Repositioning drug-disease relationships has always been a hot field of research. However, actual cases of biologically validated drug relocation remain very limited, and existing models have not yet fully utilized the structural information of the drug. Furthermore, most repositioning models are only used to complete the relationship matrix, and their practicality is poor when dealing with drug cold start problems. This paper proposes a structure-enhanced multimodal relationship prediction model (SMRP). SMPR is based on the SMILE structure of the drug, using the Mol2VEC method to generate drug embedded representations, and learn disease embedded representations through heterogeneous network graph neural networks. Ultimately, a drug-disease relationship matrix is constructed. In addition, to reduce the difficulty of users’ use, SMPR also provides a cold start interface based on structural similarity based on reposition results to simply and quickly predict drug-related diseases. The repositioning ability and cold start capability of the model are verified from multiple perspectives. While the AUC and ACUPR scores of repositioning reach 99% and 61% respectively, the AUC of cold start achieve 80%. In particular, the cold start Recall indicator can reach more than 70%, which means that SMPR is more sensitive to positive samples. Finally, case analysis is used to verify the practical value of the model and visual analysis directly demonstrates the improvement of the structure to the model. For quick use, we also provide local deployment of the model and package it into an executable program.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google