DFDRNN: A dual-feature based neural network for drug repositioning

要約

ドラッグ・リポジショニングは、既存薬の当初の承認を超えた新たな適応を発見し、疾患治療における課題に対処するために適用性と使用法を拡大するために使用される経済的に効率的な戦略です。
近年、薬物再配置のための深層学習技術が大きな注目を集めています。
ほとんどの深層学習ベースの研究手法は、ネットワーク内の近隣から特徴情報を抽出することで薬物や疾患をエンコードすることに重点を置いていますが、多くの場合、薬物と疾患の特徴の間の潜在的な関係にはほとんど注意が払われず、薬物や疾患の不正確なエンコードにつながります。
これに対処するために、薬物と疾患の正確なエンコードを実現する二重機能ドラッグ リポジショニング ニューラル ネットワーク (DFDRNN) モデルを設計します。
DFDRNN は、類似性特徴と関連性特徴という 2 つの特徴を使用して薬物と病気を表します。
このモデルには、薬物と疾患の正確なエンコードを実現するための 2 つの二重特徴抽出モジュール (ドメイン内二重特徴抽出 (IntraDDFE) モジュールとドメイン間二重特徴抽出 (InterDDFE) モジュール) を設計するためのセルフ アテンション メカニズムが組み込まれています。
。
IntraDDFE モジュールは単一ドメイン (薬物または疾患ドメイン) から特徴を抽出しますが、InterDDFE モジュールは混合ドメイン (薬物と疾患ドメイン) から特徴を抽出します。
特に、この機能は InterDDFE によって変更され、薬物と病気の正確なエンコードが保証されます。
最後に、クロスデュアルドメイン デコーダーは、薬物ドメインと疾患ドメインの両方で薬物と疾患の関連性を予測するように設計されています。
6 つの最先端の手法と比較すると、DFDRNN は 4 つのベンチマーク データセットで他の手法を上回り、平均 AUROC は 0.946、平均 AUPR は 0.597 でした。

要約(オリジナル)

Drug repositioning is an economically efficient strategy used to discover new indications for existing drugs beyond their original approvals, expanding their applicability and usage to address challenges in disease treatment. In recent years, deep-learning techniques for drug repositioning have gained much attention. While most deep learning-based research methods focus on encoding drugs and diseases by extracting feature information from neighbors in the network, they often pay little attention to the potential relationships between the features of drugs and diseases, leading to imprecise encoding of drugs and diseases. To address this, we design a dual-feature drug repositioning neural network (DFDRNN) model to achieve precise encoding of drugs and diseases. DFDRNN uses two features to represent drugs and diseases: the similarity feature and the association feature. The model incorporates a self-attention mechanism to design two dual-feature extraction modules for achieving precisely encoding of drugs and diseases: the intra-domain dual-feature extraction (IntraDDFE) module and the inter-domain dual-feature extraction (InterDDFE) module. The IntraDDFE module extracts features from a single domain (drug or disease domain), while the InterDDFE module extracts features from the mixed domain (drug and disease domain). In particular, the feature is changed by InterDDFE, ensuring a precise encoding of drugs and diseases. Finally, a cross-dual-domain decoder is designed to predict drug-disease associations in both the drug and disease domains. Compared to six state-of-the-art methods, DFDRNN outperforms others on four benchmark datasets, with an average AUROC of 0.946 and an average AUPR of 0.597.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google