编辑 | 萝卜皮
药物再哄骗是指识别 FDA 批准的用于医治特定疾病的新药物靶点。由于新药发现失败的高风险，药物再哄骗被视为药物研发重要途径。
伊朗大不里士大学（University of Tabriz）的钻研人员提出了一个模型，应用深度神经搜集调整药物与疾病联系关系数据进行药物再哄骗。
该模型被称为 IDDI-DNN，主要建立药物相关属性（三个矩阵）、疾病相关属性（两个矩阵）和药物与疾病联系关系（一个矩阵）的相似性矩阵。然后，受益于相似性搜集融合办法，通过两步过程将这些矩阵调整成一个唯一的矩阵。该模型应用建立的矩阵通过卷积神经搜集猜测新型和未知的药物与疾病的联系关系。
该钻研以「A novel efficient drug repurposing framework through drug-disease association data integration using convolutional neural networks」为题，于 2023 年 11 月 22 日发布在《BMC Bioinformatics》。
药物再哄骗是指药物除原始和批准用处之外的新用处。近年来，与传统药物生产办法相比，药物再哄骗因其降低成本和低失败率而引起了大多数制药公司的关注。药物再哄骗有助于为已完成临床前安全性钻研的疾病确定新的、低成本和短时间的医治办法。
传统的医治办法研发产生新的医治方案需要近17年的时间，其成功率还不到10%。因此，迫切需要生产新的药物来医治那些药物会给患者带来副作用的疾病。最近的钻研报告显示，约有七千种罕见疾病尚无有效医治办法，影响着全球 4 亿多人。
近年来，钻研人员开展了药物再哄骗的钻研。这些钻研主要是对药物再哄骗办法及其成功案例的分析和描述。此类钻研的主要挑战是在间接影响钻研结果的数十万个额外基因中鉴定某种药物的真正靶份子。经典的统计模型和办法无法有效地在数千个基因中发现和区分某种药物的靶份子。
近年来，钻研人员的努力转向了机械进修（ML）等猜测模型，这些模型用于在药物生产过程中或在药物进入市场之前发现药物与疾病的联系关系。用于此目的的两种主要机械进修办法是鉴于搜集的和鉴于相似性的。最近引入了鉴于搜集的机械进修办法来猜测药物与疾病的联系关系。因为它们能够提取和调整多种信息源的知识，例如化学、生物、靶标、基因组和药物来源。
为了提高药物与疾病联系关系的猜测性能，大不里士大学的钻研团队提出了一种哄骗份子特征以及与药物和疾病相关的多重相似性的计算办法。这种称为 IDDI-DNN（通过深度神经搜集进行药物再哄骗的药物-疾病联系关系调整）的办法调整了药物和疾病之间的多种相似性，并哄骗深度神经搜集来捕获它们之间的相似性。
图：IDDI-DNN 办法概述。（来源：论文）
该办法首先通过三个步骤将与药物、疾病以及药物与疾病联系关系相关的多个数据调整到一个独特的相似性矩阵中，然后应用建立的矩阵来训练卷积神经搜集（CNN）。
引入的模型 IDDN-DNN 集成了从药物和疾病的不同资源中提取的多个数据，以准确地重新调整药物用于疾病的用处。除了药物与疾病的联系关系信息外，这些数据还包括每种药物的化学结构、副作用和方针蛋白，以及每种疾病的人类表型和方针蛋白。该数据被集成到单个矩阵 F 中，并接受鉴于 CNN 的深度搜集来训练模型。训练后，该模型用于重新调整药物医治方针疾病的用处。
该模型用于建议针对方针疾病的合适药物。此外，还评估了该办法的稳健性和可靠性，并与之前引入的办法的性能进行了比较。IDDI-DNN 通过应用基准数据集在接收器操作特性 (ROC) 和精确召回 (PR) 性能指标方面优于多种最先进的办法。
猜测新的药物与疾病之间的联系关系关系到已知联系关系关系的改善是最困难的挑战之一。IDDI-DNN已经证明了其优越性，在该领域取得了丰硕的成果。
论文链接：https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-023-05572-x