異種情報融合に向けて：インシリコ薬物再利用のための二部グラフ畳み込みネットワーク

Toward heterogeneous information fusion: bipartite graph convolutional networks for in silico drug repurposing.

• Zichen Wang
• Mu Zhou
• Corey Arnold

抄録

研究目的:

薬物と疾患の関連性や関連する相互作用をマイニングすることは、インシリコでの薬物リパーポージング（DR）手法の開発や基礎となる生物学的メカニズムの理解に不可欠である。近年、大規模な生物学的データベースが医薬品研究に利用できるようになってきており、分子情報学や創薬のための深い特性評価が可能になってきています。しかし、疾患の分子的不均一性や多様な薬物-疾患関連性のため、DRは困難である。重要なことは、タンパク質-タンパク質相互作用（PPI）のような分子標的相互作用の複雑性が未だ解明されていないことです。このように、DRは統合的な文脈でマルチモーダルな生物学的ネットワークを深く探求する必要があります。

MOTIVATION: Mining drug-disease association and related interactions are essential for developing in silico drug repurposing (DR) methods and understanding underlying biological mechanisms. Recently, large-scale biological databases are increasingly available for pharmaceutical research, allowing for deep characterization for molecular informatics and drug discovery. However, DR is challenging due to the molecular heterogeneity of disease and diverse drug-disease associations. Importantly, the complexity of molecular target interactions, such as protein-protein interaction (PPI), remains to be elucidated. DR thus requires deep exploration of a multimodal biological network in an integrative context.

結果:

本研究では、異種情報融合によるDRのための二部グラフ畳み込みネットワークモデルBiFusionを提案する。本研究では、薬物-タンパク質、疾患-タンパク質、PPIの多相関グラフを構築することで、マルチスケールの医薬品情報の知見を融合させる。特に、我々のモデルは、多様な生物学的領域間のメッセージパッシングの架け橋としてタンパク質ノードを導入しており、PPIをDR評価の改善に活用するための洞察を提供する。本研究では、従来のグラフ畳み込みネットワークでは常に同じノード属性を仮定していたのに対し、本研究では二部構成のグラフ畳み込み演算を用いて領域間の情報融合をモデル化した。本研究では、新たな薬物-疾患関連性の探索的解析を行った。広範な実験の結果、我々のアプローチは、複数のベースラインを用いたDR解析よりも性能が向上していることが示された。

RESULTS: In this study, we propose BiFusion, a bipartite graph convolution network model for DR through heterogeneous information fusion. Our approach combines insights of multiscale pharmaceutical information by constructing a multirelational graph of drug-protein, disease-protein and PPIs. Especially, our model introduces protein nodes as a bridge for message passing among diverse biological domains, which provides insights into utilizing PPI for improved DR assessment. Unlike conventional graph convolution networks always assuming the same node attributes in a global graph, our approach models interdomain information fusion with bipartite graph convolution operation. We offered an exploratory analysis for finding novel drug-disease associations. Extensive experiments showed that our approach achieved improved performance than multiple baselines for DR analysis.

利用可能性と実装:

ソースコードと前処理済みデータセットは https://github.com/zcwang0702/BiFusion にあります。

AVAILABILITY AND IMPLEMENTATION: Source code and preprocessed datasets are at: https://github.com/zcwang0702/BiFusion.

© The Author(s) 2020. Published by Oxford University Press.