소식

Oct 24, 2023

DEDTI 대 IEDTI: 약물의 효율적이고 예측 가능한 모델

과학 보고서 13권,

Scientific Reports 13권, 기사 번호: 9238(2023) 이 기사 인용

측정항목 세부정보

약물 용도 변경은 약물 개발 비용과 시간을 줄이는 것을 목표로 하는 활발한 연구 분야입니다. 이러한 노력의 대부분은 주로 약물-표적 상호작용의 예측과 관련이 있습니다. 이러한 관계를 식별하기 위해 행렬 분해부터 최첨단 심층 신경망까지 다양한 평가 모델이 등장했습니다. 일부 예측 모델은 예측 품질에 전념하고, 다른 예측 모델은 임베딩 생성과 같은 예측 모델의 효율성에 전념합니다. 이 연구에서 우리는 더 많은 예측과 분석에 유용한 약물과 표적의 새로운 표현을 제안합니다. 이러한 표현을 사용하여 우리는 약물-표적 상호 작용 예측을 위한 IEDTI 및 DEDTI의 두 가지 귀납적 심층 네트워크 모델을 제안합니다. 둘 다 새로운 표현의 축적을 사용합니다. IEDTI는 삼중항을 활용하고 입력 축적된 유사성 특징을 의미 있는 임베딩 해당 벡터에 매핑합니다. 그런 다음 각 약물-표적 쌍에 심층 예측 모델을 적용하여 상호 작용을 평가합니다. DEDTI는 약물과 표적의 축적된 유사성 특징 벡터를 직접 사용하고 각 쌍에 예측 모델을 적용하여 상호 작용을 식별합니다. 우리는 DTINet 데이터세트와 표준 데이터세트에 대해 포괄적인 시뮬레이션을 수행했으며 그 결과 DEDTI가 IEDTI 및 최첨단 모델보다 성능이 뛰어난 것으로 나타났습니다. 또한, 우리는 두 약물-표적 쌍 사이의 새로운 예측된 상호 작용에 대한 도킹 연구를 수행하고 결과는 두 예측 쌍 사이의 허용 가능한 약물-표적 결합 친화력을 확인합니다.

새로운 약물 발견에는 막대한 비용이 소요되며 성공을 보장할 수 없는 오랜 조사가 필요합니다1. 이러한 과제를 극복하기 위해 수많은 질병을 치료하기 위해 알려지지 않았거나 숨겨진 약물-표적 상호 작용(DTI)을 식별하는 데 전산 약물 발견 방법이 점점 더 많이 사용되고 있습니다. 전산 약물 용도 변경은 관심 대상에 대해 현재 시판 중인 약물에 대한 새로운 적응증을 식별하는 데 있어 중요한 이정표입니다. 전산 약물 용도 변경 전략의 주요 아이디어는 유사한 화합물이 유사한 특성을 공유할 수 있다는 사실(연관죄로 알려짐)2,3에 기초합니다. 전산 DTI 예측을 수행하는 세 가지 주요 접근 방식이 있습니다4. 리간드 기반 접근법은 첫 번째 접근법으로 표적에 대한 정보가 제한적일 때 사용됩니다. 이러한 접근법은 유사한 화합물이 유사한 특성을 가지며 유사한 단백질과 상호 작용한다는 개념에 의존합니다. 즉, 이러한 접근법의 예측 결과는 단백질당 알려진 리간드의 수에 전적으로 의존하므로 단백질당 리간드의 비율이 부족하면 신뢰도가 영향을 받을 수 있습니다5,6,7,8,9. 두 번째 접근법은 리간드와 수용체의 3D 구조를 사용하여 그들 사이의 결합 친화도를 평가하는 도킹 기반 접근법입니다. 분자 도킹 접근법은 리간드와 수용체의 3D 구조가 충분하지 않다는 문제가 있습니다. 세 번째 유망한 접근 방식인 화학유전체학 접근 방식은 모든 치료 표적과 상호 작용할 수 있는 모든 가능한 분자를 식별하고 설명하는 것으로 정의되었으며, 이를 통해 연구자는 치료 후보에 대한 표적 외 단백질을 예측하는 문제를 해결할 수 있습니다12,13. 이 접근법은 리간드의 화학적 공간과 단백질의 게놈 공간 사이의 상관관계를 찾아 앞서 언급한 방법의 단점을 피하려고 합니다. 화학유전학적 접근 방식은 (1) Neighborhood 모델, (2) Bipartite Local 모델, (3) 네트워크 확산 모델, (4) 행렬 분해 모델, (5) 특징 기반 분류 모델4의 다섯 가지 유형으로 분류될 수 있습니다4. 행렬 분해는 DTI 예측에서 널리 사용되는 방법 중 하나입니다. 행렬 분해 방법16은 DTI를 조작하고 각 약물과 각 표적16,17,18의 잠재 표현을 찾으려고 노력합니다. 이 방법의 많은 장점에도 불구하고 행렬 분해에는 몇 가지 단점이 있습니다. 예를 들어, 행렬 분해에서는 두 벡터의 선형 내적을 사용합니다. 결과적으로 약물과 표적의 상호 작용이나 관계를 예측하는 것은 최선의 해결책이 아닙니다. 결과적으로 우리는 약물 용도 변경 시 기존의 선형 행렬 인수분해를 피하는 것이 좋습니다. 저자들은 다른 연구에서 행렬 인수분해 방법의 문제점을 언급했습니다19.