iDrug.クロスネットワーク埋め込みによるドラッグリポジショニングとドラッグターゲット予測の統合

iDrug: Integration of drug repositioning and drug-target prediction via cross-network embedding.

• Huiyuan Chen
• Feixiong Cheng
• Jing Li

抄録

創薬の初期段階では、計算による薬物リポジショニングと薬物標的予測が重要な課題となっています。これまでの研究では、この2つのタスクは別々に考えられることが多かった。しかし、この2つのタスクで研究されている実体（すなわち、薬物、標的、疾患）は本質的に関連しています。一方、薬物は細胞内の標的と相互作用して標的の活性を調節し、生体経路を変化させて健康機能を促進したり、病気を治療したりします。一方で、薬物リポジショニングと薬物標的予測は、同じ薬物特徴空間が関与しており、この2つの問題と2つの領域（疾患と標的）を自然に結びつけることができます。クラウドの知恵を活用することで、一方のドメインから他方のドメインへ知識を移転することが可能となる。薬物-標的-疾患の関係性の存在は、創薬における薬物リポジショニングと薬物標的予測を共同で考える動機付けとなる。本論文では、iDrugと呼ばれる新しいアプローチを提案する。これは、クロスネットワークエンベッディングを介して、薬物リポジショニングと標的予測をシームレスに一つの首尾一貫したモデルに統合するものである。特に、この2つの領域から知識を伝達し、両方のタスクの予測性能を向上させるための原理的な方法を提供する。実世界のデータセットを用いて、iDrugが最先端のアプローチと比較して、両方の学習タスクにおいて優れた性能を達成していることを実証している。コードとデータセットは https://github.com/Case-esaC/iDrug から入手可能です。

Computational drug repositioning and drug-target prediction have become essential tasks in the early stage of drug discovery. In previous studies, these two tasks have often been considered separately. However, the entities studied in these two tasks (i.e., drugs, targets, and diseases) are inherently related. On one hand, drugs interact with targets in cells to modulate target activities, which in turn alter biological pathways to promote healthy functions and to treat diseases. On the other hand, both drug repositioning and drug-target prediction involve the same drug feature space, which naturally connects these two problems and the two domains (diseases and targets). By using the wisdom of the crowds, it is possible to transfer knowledge from one of the domains to the other. The existence of relationships among drug-target-disease motivates us to jointly consider drug repositioning and drug-target prediction in drug discovery. In this paper, we present a novel approach called iDrug, which seamlessly integrates drug repositioning and drug-target prediction into one coherent model via cross-network embedding. In particular, we provide a principled way to transfer knowledge from these two domains and to enhance prediction performance for both tasks. Using real-world datasets, we demonstrate that iDrug achieves superior performance on both learning tasks compared to several state-of-the-art approaches. Our code and datasets are available at: https://github.com/Case-esaC/iDrug.