基于多元数据融合的药物重定位方法研究

Traditional De novo drug discovery methods are time-consuming and costly, while drug repositioning can effectively improve the efficiency of drug development. To predict drug-disease association, this project builds a drug-target-disease heterogeneous network by predicting the similarity of drugs, targets and diseases separately from multiple perspectives. Firstly, a novel method for measuring the functional similarity of protein based on weighted inherited semantics was proposed making the use of GO annotations of proteins. Secondly, based on similarity network fusion methods, drug similarity networks, multiple protein similarity networks and disease similarity networks were integrated to obtain multi-data integrated protein similarity network, drug similarity network, and disease similarity network. Then, a threshold selection method based on clustering coefficient is used to select thresholds for these multi-data integrated similarity networks. Finally, we employ the meta-path analysis method and the support vector machine method respectively to predict drug-disease association based on the constructed drug-target-disease heterogeneous network. This project has an important theoretical significance for the development of construction and analysis methods of biological network as an interdisciplinary problem of information science and biomedical fields. At the same time, it has potential application values in the research of drug discovery.

传统的从头药物开发方法耗时长、成本高，而药物重定位方法可以有效地提高药物开发效率。本项目通过从多角度分别计算药物、靶标和疾病的相似度，构建药物-靶标-疾病异质网络，预测药物-疾病关联关系。首先基于蛋白质的基因本体注释数据，提出加权继承语义的蛋白质功能相似度计算方法。其次，使用不同的相似网络整合方法，将多个药物相似网络，蛋白质相似网络和疾病相似网络分别融合，得到多数据集成的药物相似网络、蛋白质相似网络和疾病相似网络。然后，基于聚类系数的阈值选择方法，对上述多数据集成的相似网络进行阈值选择。最终，利用构建的药物-靶标-疾病异质网络，使用元路径分析方法和支持向量机方法分别预测药物-疾病关联关系。本项目对信息科学与生物医学交叉的生物网络构建与分析方法具有重要的理论意义，同时在药物开发的研究方面具有潜在的应用价值。

传统的从头药物开发技术存在耗时长、成本高的缺点，越来越多的科研人员借助计算方法解决该问题；药物重定位方法可以有效地提高药物开发效率，受到越来越多的重视。.本课题从多元数据的角度出发，主要开展了以下工作：针对靶标功能注释数据和基因本体结构，提出加权继承语义的方法，准确计算靶标之间的功能相似度；根据基因本体结构的向无环图的特点，利用图卷积网络学习网络中节点和关系的深度表示，从而更加准确地度量术语之间的语义相似度；利用药物和靶标自身的多元数据，从多视角角度分别构建药物和靶标的相似网络，并结合多层次的注意力机制，分别学习药物靶标的嵌入表示，从而准确预测药物靶标互作关系。.通过具体实验，取得了以下重要成果。（1）通过加权继承语义方法，计算蛋白质的功能相似度，可以获得更高的准确度；（2）利用图神经网络，学习术语的节点的深度表示，可以更准确地获得语义相似度，（3）从多视角和多注意力机制角度出发，可以更加准确地预测药物靶标互作关系。本课题用到的主要数据包括基因本体，基因功能注释，药物分子，药物副作用，蛋白质序列数据等。上述数据均可在公开数据集中获取。.该项目主要有以下两个贡献点：第一将图嵌入学习的有关知识，很好的引入到基因本体中；第二，利用多层注意力机制，基于药物靶标的多视角网络，准确学习异构网络中节点的深度表示方法，从而准确预测药物靶标关系。以上研究成果，可以为今后从计算角度开展药物重定位研究奠定基础。截止到目前，相关工作已发表学术论文4篇，正在返修论文3篇。依托本项目工作，培养4名硕士研究生。

内容获取失败，请点击重试