[論文レビュー] Computational Approaches for Predicting Drug-Disease Associations: A Comprehensive Review

Chunyan Ao, Zhichao Xiao+2 more|arXiv (Cornell University)|Sep 10, 2023

Computational Drug Discovery MethodsComputer Science被引用数 3

ひとこと要約

この包括的なレビューでは、ドラッグ再フォーマットを用いたドラッグ-疾患関連性の予測に向けた最近の計算手法を統合し、ニューラルネットワーク、行列ベースのモデル、レコメンデーションシステム、リンクベースの推論、テキストマイニングの5つのカテゴリーに分類している。手法間のパフォーマンスを評価し、安全で費用対効果の高いドラッグ発見を加速する上で重要な課題と今後の方向性を提示している。

ABSTRACT

In recent decades, traditional drug research and development have been facing challenges such as high cost, long timelines, and high risks. To address these issues, many computational approaches have been suggested for predicting the relationship between drugs and diseases through drug repositioning, aiming to reduce the cost, development cycle, and risks associated with developing new drugs. Researchers have explored different computational methods to predict drug-disease associations, including drug side effects-disease associations, drug-target associations, and miRNAdisease associations. In this comprehensive review, we focus on recent advances in predicting drug-disease association methods for drug repositioning. We first categorize these methods into several groups, including neural network-based algorithms, matrixbased algorithms, recommendation algorithms, link-based reasoning algorithms, and text mining and semantic reasoning. Then, we compare the prediction performance of existing drug-disease association prediction algorithms. Lastly, we delve into the present challenges and future prospects concerning drug-disease associations.

研究の動機と目的

• 従来のドラッグ開発における高コスト、長期化、高い失敗率を軽減し、より速く安全で効率的なドラッグ再フォーマットを可能にする。
• ドラッグ-疾患関連性を予測する多様な計算的手法を体系的に分類・評価すること。
• 異なるアルゴリズムファミリー（ニューラルネットワーク、行列手法、レコメンデーションシステム、リンク推論、テキストマイニング）の予測性能を比較すること。
• 計算的ドラッグ-疾患関連性予測における現在の制限要因を特定し、今後の研究の方向性を提示すること。

提案手法

• 計算手法を5つの主要なグループに分類：ニューラルネットワークベースのアルゴリズム、行列ベースのアルゴリズム、レコメンデーションアルゴリズム、リンクベースの推論アルゴリズム、テキストマイニング／意味的推論アプローチ。
• GCN やオートエンコーダーなどの深層学習モデルのアーキテクチャと応用をレビューし、複雑な生物学的相互作用をモデル化する。
• 既知のドラッグ-疾患相互作用およびドラッグ-ターゲット相互作用を活用して新しい関連性を推定するための行列分解技術を分析。
• 共同フィルタリングおよび知識グラフベースのレコメンデーションシステムが、新しいドラッグ-疾患ペアを予測するのにどのように機能するかを検討。
• 知識グラフ埋め込みおよび自然言語処理技術を評価し、バイオメディカル文書から関連性を抽出・推論する。
• ベンチマークデータセットを用いて、AUC-ROC や AUPR といった標準化された評価指標を用いて手法を比較。

実験結果

リサーチクエスチョン

• RQ1 ドラッグ再フォーマットにおけるドラッグ-疾患関連性の予測に用いられる主な計算的カテゴリーは何か？
• RQ2 ニューラルネットワーク、行列手法、レコメンデーションシステム、リンク推論、テキストマイニングといった異なるアルゴリズムアプローチは、予測性能においてどのように比較されるか？
• RQ3 各手法カテゴリーが、複雑な生物学的関係をモデル化する上で有する主な強みと限界は何か？
• RQ4 既存の手法は、スパースまたは不完全な生物学的相互作用データをどのように処理しているか？
• RQ5 計算的ドラッグ-疾患関連性予測における主な未解決課題と今後の研究の方向性は何か？

主な発見

• 特にグラフ畳み込みネットワーク（GCN）を含むニューラルネットワークベースのモデルは、生物学的相互作用ネットワーク内の複雑で非線形的な関係を捉えるのに優れたパフォーマンスを示している。
• 行列分解ベースの手法は、既知のドラッグ-ターゲット相互作用およびドラッグ-疾患相互作用を活用することで、競争力のある結果を得ている。
• 知識グラフベースおよびテキストマイニングアプローチは、科学文献や意味的データベースを含む多様なデータソースを統合する上で有効であることが示された。
• 共同フィルタリングに基づくレコメンデーションアルゴリズムは、暗黙の相互作用パターンを用いて関連性を予測する上で有望である。
• データセットによってパフォーマンスに顕著な差が見られ、AUC-ROCスコアはデータ品質や手法の選択に応じて0.7から0.95を超える範囲で変動した。
• 進展は見られるものの、解釈可能性、多様な疾患への一般化、スパース性およびノイズの処理といった課題は依然として残っている。