Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding

要約

生物医学データの抽出は、現代の生物医学科学において重要な学術的および実践的価値を持っています。
近年、承認された医薬品の新しい適応症を発見することによる医薬品開発の費用対効果の高い戦略であるドラッグ・リポジショニングがますます注目を集めています。
しかし、既存の薬物再配置手法の多くは、薬物と疾患の特徴空間間の潜在的な相互関係を考慮せずに、生物医学ネットワーク内の隣接ノードから情報をマイニングすることに焦点を当てています。
これにより、不正確なエンコードが発生し、偏ったマイニングされた薬物と病気の関連情報が得られる可能性があります。
この制限に対処するために、我々は Dual-Feature Drug Repurposition Neural Network (DFDRNN) と呼ばれる新しいモデルを提案します。
DFDRNN を使用すると、薬物と疾患の生物医学ネットワークから 2 つの特徴 (類似性と関連性) をマイニングして、薬物と疾患をコード化できます。
セルフ アテンション メカニズムを利用して、近隣の特徴情報を抽出します。
これには、2 つの二重特徴抽出モジュールが組み込まれています。単一ドメイン (薬物または病気) 内の特徴を抽出するシングルドメイン二重特徴抽出 (SDDFE) モジュールと、複数の領域にまたがる特徴を抽出するクロスドメイン二重特徴抽出 (CDDFE) モジュールです。
ドメイン。
これらのモジュールを活用することで、薬物や疾患をより適切にエンコードできるようになります。
クロスデュアルドメイン デコーダーも、両方のドメインにおける薬物疾患の関連性を予測するように設計されています。
私たちが提案した DFDRNN モデルは、4 つのベンチマーク データセットで 6 つの最先端の手法を上回り、平均 AUROC 0.946、平均 AUPR 0.597 を達成しました。
2 つの疾患に関するケーススタディでは、提案された DFDRNN モデルが現実世界のシナリオに適用できることが示されており、薬物の再配置におけるその大きな可能性が実証されています。

要約(オリジナル)

The extraction of biomedical data has significant academic and practical value in contemporary biomedical sciences. In recent years, drug repositioning, a cost-effective strategy for drug development by discovering new indications for approved drugs, has gained increasing attention. However, many existing drug repositioning methods focus on mining information from adjacent nodes in biomedical networks without considering the potential inter-relationships between the feature spaces of drugs and diseases. This can lead to inaccurate encoding, resulting in biased mined drug-disease association information. To address this limitation, we propose a new model called Dual-Feature Drug Repurposing Neural Network (DFDRNN). DFDRNN allows the mining of two features (similarity and association) from the drug-disease biomedical networks to encode drugs and diseases. A self-attention mechanism is utilized to extract neighbor feature information. It incorporates two dual-feature extraction modules: the single-domain dual-feature extraction (SDDFE) module for extracting features within a single domain (drugs or diseases) and the cross-domain dual-feature extraction (CDDFE) module for extracting features across domains. By utilizing these modules, we ensure more appropriate encoding of drugs and diseases. A cross-dual-domain decoder is also designed to predict drug-disease associations in both domains. Our proposed DFDRNN model outperforms six state-of-the-art methods on four benchmark datasets, achieving an average AUROC of 0.946 and an average AUPR of 0.597. Case studies on two diseases show that the proposed DFDRNN model can be applied in real-world scenarios, demonstrating its significant potential in drug repositioning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google