[論文レビュー] Deep learning for drug repurposing: methods, databases, and applications

Xiaoqin Pan, Xuan Lin+6 more|arXiv (Cornell University)|Feb 8, 2022

Computational Drug Discovery Methods被引用数 11

ひとこと要約

このレビューは、創薬再利用のための深層学習手法、データベース、応用を統合的に検討し、治療的発見の加速を目的として、配列ベースおよびグラフベースの表現に焦点を当てている。最新のモデルとそのSARS-CoV-2に対する創薬再利用薬の同定への成功応用を強調し、複雑な疾患研究におけるビッグバイオメディカルデータの活用の包括的フレームワークを提示する。

ABSTRACT

Drug development is time-consuming and expensive. Repurposing existing drugs for new therapies is an attractive solution that accelerates drug development at reduced experimental costs, specifically for Coronavirus Disease 2019 (COVID-19), an infectious disease caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). However, comprehensively obtaining and productively integrating available knowledge and big biomedical data to effectively advance deep learning models is still challenging for drug repurposing in other complex diseases. In this review, we introduce guidelines on how to utilize deep learning methodologies and tools for drug repurposing. We first summarized the commonly used bioinformatics and pharmacogenomics databases for drug repurposing. Next, we discuss recently developed sequence-based and graph-based representation approaches as well as state-of-the-art deep learning-based methods. Finally, we present applications of drug repurposing to fight the COVID-19 pandemic, and outline its future challenges.

研究の動機と目的

• 創薬再利用に適用可能な深層学習手法の体系的概要を提供すること。
• 創薬再利用に関連する主要なバイオインフォマティクスおよびファーマコゲノミクスデータベースをリスト化・評価すること。
• 薬剤および標的に対する最新のシーケンスベースおよびグラフベースの表現学習技術を分析すること。
• 深層学習を用いたSARS-CoV-2およびその他の複雑な疾患に対する創薬再利用薬の同定への応用を示すこと。
• 多オミックスおよびバイオメディカルデータ統合におけるAI駆動の創薬発見の分野における現在の課題と今後の方向性を整理すること。

提案手法

• 本稿は、薬剤および標的のシーケンスを符号化するための自己符号化器およびトランスフォーマーに基づくモデルを含む、シーケンスベースの埋め込み技術をレビューしている。
• 分子構造およびタンパク質-タンパク質相互作用ネットワークのモデリングに向けたグラフニューラルネットワーク（GNN）を検討している。
• 異なるデータベースからの薬剤、標的、疾患データを統合するマルチモーダル深層学習フレームワークを評価している。
• 異種の生物学的データを統合的な埋め込み空間に統一する表現学習戦略を議論している。
• 限られたラベル付きデータでモデルの汎化性能を向上させるための転移学習および少数ショット学習アプローチを強調している。
• 最近の創薬再利用研究で用いられるベンチマークプロトコルおよび評価指標を提示している。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、どのようにして多様なバイオメディカルデータを統合して創薬再利用を実現できるか？
• RQ2 薬剤および標的に適した最も効果的なシーケンスベースおよびグラフベースの表現手法は何か？
• RQ3 深層学習モデルは、SARS-CoV-2に対する創薬再利用薬の同定にどのように応用されてきたか？
• RQ4 深層学習における創薬再利用を支援する主要なデータベースおよびデータ統合戦略は何か？
• RQ5 COVID-19を越える複雑な疾患への深層学習アプローチのスケーリングにおいて、主な課題は何か？

主な発見

• 分子構造のグラフベース表現を活用する深層学習モデルは、薬剤-標的相互作用予測において優れた予測性能を示している。
• トランスフォーマーおよび自己符号化器などのシーケンスベースのモデルは、限られた生物学的配列から効果的な表現学習を可能にしている。
• 薬剤、標的、疾患データを統合するマルチモーダル深層学習フレームワークは、創薬再利用候補薬の同定において高い精度を達成している。
• いくつかの深層学習モデルは、SARS-CoV-2に対する既知および新規の薬剤候補を効果的に同定しており、パンデミック対応における実用的有用性を示している。
• 進展は見られるが、データの異種性、モデルの解釈可能性、および多様な疾患状況における汎化性の課題は依然として残っている。
• DrugBank、DGIdb、CTRPなどの大規模かつキュレートされたデータベースの統合は、モデルの性能と信頼性を著しく向上させている。