基于图神经网络协同过滤的药物疾病关联预测

新药开发需要耗费很高的成本,建立高效且高准确度的药物新适应症预测方法非常重要,提出一种基于图神经网络协同过滤的药物疾病关联预测方法,获取药物与疾病治疗关系中的信息并结合药物相似性获得更好的预测表现。首先通过图神经网络提取药物-疾病治疗关系数据中的协作信号细化药物嵌入,然后利用嵌入计算药物之间的治疗关系相似性,再结合药物化学结构、蛋白质和副作用相似性预测药物的新作用。与现有的协同过滤方法在相同数据集上进行对比,本文方法获得了较高的预测精确率(0.664 8)。所提出的获取药物-疾病治疗关系中的潜在信息并结合相似性进行药物疾病关联预测的策略是有效的,有助于发现药物的新适应症,为药物开发提供帮助。

基于全局图注意力元路径异构网络的药物-疾病关联预测

提出了一个基于全局图注意力元路径异构网络模型(MHNGA)来进行药物-疾病关联预测。首先,收集整理药物和疾病数据,将已知的药物-疾病关联、药物相似性、疾病相似性构建为一个异构网络;其次,引入多个基于元路径的子图,使用图注意力神经网络提取这些子图的邻居节点的特征,并且通过通道注意力和空间注意力机制来增强特征;最后,通过十折交叉验证的评估,MHNGA取得了93.5%的精确召回曲线下的面积和99.4%的准确率。

基于属性补全的药物与疾病关联预测

预测药物-疾病关联关系,有助于降低药物开发的成本和时间开销。先前的方法没有基于异构网络的拓扑信息对缺失属性的疾病节点进行节点属性补全,本文提出了一个新的预测方法来编码和整合多个元路径的语义,学习得到药物和疾病节点的拓扑嵌入。以节点间的拓扑关系为指导,对有属性的药物节点属性进行加权聚合,来补全没有属性的疾病节点。此外,本文还设计了一个元路径层面注意力机制和一个邻居层面注意力机制,分别融合来自多个元路径的语义信息和节点邻居的信息。采用了五倍交叉验证的方法进行评估,结果表明新的预测模型取得了比其它模型更高的预测性能。

基于药物-靶点-疾病关联网络的丹参-降香药对治疗缺血性脑卒中的作用机制探究及候选中药识别

丹参-降香药对治疗缺血性脑卒中(IS)疗效比较显著,研究丹参-降香药对治疗IS的作用机制是发现对IS有疗效候选中药(TCM)的有效途径。传统药理学方法难以从系统角度全面分析丹参-降香治疗IS的效应物质并解释其作用机制。本研究基于药物-靶点-症候-疾病关联网络,利用复杂网络理论进行系统的研究。在利用丹参、降香及IS的关联信息构建蛋白质-蛋白质相互作用网络和“药对-药效成分-靶点-IS”网络的基础上,分析不同网络拓扑特征并基于多个中心性指标识别出降香中的福诺尼汀以及丹参中的隐丹参酮和丹参酮IIA为药效成分;前列腺素G/H合酶2、视黄酸受体RXR-α、钠通道蛋白5型亚基α、前列腺素G/H合酶1和β-2肾上腺素能受体为核心靶蛋白。进一步,提出一种基于TCM症候筛选IS候选药物的方法,利用“药对-TCM症候-症候群-中风”网络发现关键TCM症候和症候群。结果表明,蒲黄、三棱和泽兰3味中药可能是对IS具有潜在治疗作用的候选中药,为治疗IS的药物开发提供了理论参考。