CẢI THIỆN DỰ ĐOÁN MỐI LIÊN HỆ THUỐC–BỆNH THÔNG QUA LỰA CHỌN ĐẶC TRƯNG DỰA TRÊN RỪNG NGẪU NHIÊN
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.14748Tóm tắt
Dự đoán mối liên hệ giữa thuốc và bệnh (DDA) là một nhiệm vụ cơ bản trong việc tái định vị thuốc bằng máy tính, nhưng hiệu suất của nó thường bị cản trở bởi dữ liệu sinh học thưa thớt, không đồng nhất và nhiễu. Hầu hết các phương pháp hiện có chủ yếu dựa vào học biểu diễn tiềm ẩn, trong khi ít chú trọng đến việc lựa chọn rõ ràng các đặc trưng có tính phân biệt và ý nghĩa sinh học trước khi huấn luyện mô hình. Trong bài báo này, chúng tôi đề xuất EMP-RF, một khung dựa trên siêu đường dẫn kết hợp, tích hợp lựa chọn đặc trưng có giám sát dựa trên Rừng ngẫu nhiên để dự đoán mối liên hệ giữa thuốc và bệnh. Thuốc, bệnh và protein được mô hình hóa như một mạng lưới không đồng nhất, từ đó nhiều ma trận siêu đường dẫn có động cơ sinh học được xây dựng để nắm bắt ngữ nghĩa quan hệ bổ sung. Đối với mỗi siêu đường dẫn, việc lựa chọn đặc trưng có giám sát được thực hiện bằng cách sử dụng điểm số quan trọng của Rừng ngẫu nhiên từ cả góc độ thuốc và bệnh, giữ lại các đặc trưng có nhiều thông tin nhất và lọc bỏ nhiễu. Sau đó, các biểu diễn theo cặp được xây dựng bằng cách nối các đặc trưng đã chọn, và một bộ dự đoán Rừng ngẫu nhiên được huấn luyện cho mỗi siêu đường dẫn. Dự đoán cuối cùng thu được bằng cách tổng hợp đầu ra của tất cả các mô hình dự đoán cơ sở. Bằng cách tích hợp lựa chọn đặc trưng có giám sát vào quy trình xây dựng đặc trưng, EMP-RF cải thiện độ chính xác dự đoán đồng thời nâng cao khả năng giải thích, cung cấp những hiểu biết rõ ràng hơn về các đặc trưng quan trọng góp phần vào việc tái định vị thuốc.Lượt tải
Tài liệu tham khảo
Y. Hua et al., “Drug repositioning: Progress and challenges in drug discovery for various diseases,” European Journal of Medicinal Chemistry, vol. 234, 2022, Art. no. 114239.
N. A. Dao, M. H. Le, and X. T. Dang, “Label Transfer for Drug Disease Association in Three Meta-Paths," Evol. Bioinform Online, vol. 20, Sep. 2024, doi: 10.1177/11769343241272414.
H. Askr et al., “Deep learning in drug discovery: An integrative review and future challenges,” Artif. Intell. Rev., vol. 56, pp. 5975-6037, 2023.
N Novac., “Challenges and opportunities of drug repositioning,” Trends Pharmacol Sci, vol. 34, no. 5, pp. 267-272, 2013.
A. Gottlieb, G. Y. Stein, E. Ruppin, and R. Sharan, “PREDICT: A method for inferring novel drug indications with application to personalized medicine,” Molecular Systems Biology, vol. 7, 2011, Art. no. 496.
H. Luo et al., “Drug repositioning based on comprehensive similarity measures and Bi-random walk algorithm,” Bioinformatics, vol. 32, no. 17, pp. 1664-1671, 2016.
Y. Yan, M. Yang, H. Zhao, et al., “Drug repositioning based on multiview learning with matrix completion,” Briefings in Bioinformatics, vol. 23, no. 3, May 2022, doi: 10.1093/bib/bbac054.
B.-W. Zhao et al., “A geometric deep learning framework for drug repositioning over heterogeneous information networks,” Briefings in Bioinformatics, vol. 23, no. 6, 2022, doi: 10.1093/bib/bbac384.
J. Liu et al., “Identification of potential Parkinson’s disease drugs based on multi-source data fusion and convolutional neural network,” Molecules, vol. 27, 2022, Art. no. 4780.
D. S. Wishart et al., “DrugBank 5.0: A major update to the DrugBank database for 2018,” Nucleic Acids Research, vol. 46, no. D1, pp. D1074-D1082, 2018.
A. Hamosh, A. F. Scott, J. S. Amberger, et al., “Online mendelian inheritance in man (omim), a knowledgebase of human genes and genetic disorders,” Nucleic Acids Res., vol. 33, suppl. 1, pp. 514-517, 2005.
G. Wu, J. Liu, and X. Yue, “Prediction of drug–disease associations based on ensemble meta-paths and singular value decomposition,” BMC Bioinformatics, vol. 20, suppl. 3, 2019, Art. no. 134.
W. Wang, S. Yang, X. Zhang, and J. Li, “Drug repositioning by integrating target information through a heterogeneous network model,” Bioinformatics, vol. 30, no. 20, pp. 2923-2930, 2014.
X. Liang et al., “LRSSL: Predict and interpret drug–disease associations based on data integration using sparse subspace learning,” Bioinformatics, vol. 33, no. 8, pp. 1187-1196, 2017.
W. Zhang et al., “Predicting drug–disease associations by using similarity constrained matrix factorization,” BMC Bioinformatics, vol. 19, 2018, Art. no. 233.
S. C. Saccà, A. Macrì, M. Rolando, and G. Ciurlo, “Effect of betaxolol on primary open-angle glaucoma and normal-tension glaucoma patients,” J. Ocul. Pharmacol. Ther., vol. 14, no. 3, pp. 191-201, Jun. 1998.
J. Lestak, M. Fus, and S. Pitrova, “Effect of treatment with carteolol and latanoprost in newly diagnosed primary open-angle glaucoma on peripapillary vessel density,” Biomed Pap. Med. Fac. Univ. Palacky Olomouc Czech Repub., vol. 169, no. 3, pp. 203-209, Sep. 2025.
M. U. Farooq, A. Bhatt, A. Majid, R. Gupta, A. Khasnis, and M. Y. Kassab, “Levetiracetam for managing neurologic and psychiatric disorders,” Am. J. Health Syst. Pharm., vol. 66, no. 6, pp. 541-561, Mar. 2009.
C. Schmied, P.-A. Piletta, and J.-H. Saurat, “Treatment of eczema with a mixture of triamcinolone acetonide and retinoic acid a double-blind study,” Dermatology, vol. 187, no. 4, pp. 263-267, 1993.
