[논문 리뷰] Computational Approaches for Predicting Drug-Disease Associations: A Comprehensive Review

Chunyan Ao, Zhichao Xiao외 2명|arXiv (Cornell University)|2023. 09. 10.

Computational Drug Discovery MethodsComputer Science인용 수 3

한 줄 요약

이 종합적 리뷰는 약물 재포지셔닝을 활용한 약물-질병 연관성 예측을 위한 최근의 계산적 방법을 종합적으로 분석하며, 신경망, 행렬 기반 모델, 추천 시스템, 링크 기반 추론, 텍스트 마이닝으로 나누어 접근 방식을 분류한다. 다양한 방법의 성능을 평가하고, 안전하고 비용 효율적인 약물 개발을 가속화하기 위한 주요 과제와 향후 방향을 제시한다.

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.

연구 동기 및 목표

• 기존 약물 개발의 높은 비용, 장기적인 기간, 높은 실패율을 해결하기 위해 더 빠르고 안전하며 더 효율적인 약물 재포지셔닝을 가능하게 하기 위해.
• 다양한 계산적 접근 방식을系통적으로 분류하고 평가하기 위해.
• 약물-질병 연관성 예측에서 다양한 알고리즘 가족 간의 예측 성능를 비교하기 위해.
• 현재의 한계를 규명하고 계산적 약물-질병 연관성 예측 분야의 향후 연구 방향을 제시하기 위해.

제안 방법

• 계산적 방법을 다섯 가지 주요 그룹으로 분류: 신경망 기반 알고리즘, 행렬 기반 알고리즘, 추천 알고리즘, 링크 기반 추론 알고리즘, 텍스트 마이닝/세미틱 추론 접근 방식.
• 복잡한 생물학적 상호작용을 모델링하기 위해 GCN과 오토에인코더와 같은 딥러닝 모델의 아키텍처와 응용을 검토.
• 기존의 약물-질병 상호작용 및 약물-타겟 상호작용을 활용하여 새로운 연관성을 유추하는 행렬 분해 기법 분석.
• 협업 필터링 및 지식 그래프 기반 추천 시스템이 새로운 약물-질병 쌍을 예측하는 데 사용되는 방식 분석.
• 지식 그래프 임bedding 및 자연어 처리 기법을 평가하여 생물의학 문헌에서 연관성을 추출하고 추론하는 방식.
• 기준 평가 지표(예: AUC-ROC 및 AUPR)를 사용하여 벤치마크 데이터셋 간의 방법 비교.

실험 결과

연구 질문

• RQ1 약물 재포지셔닝에서 약물-질병 연관성을 예측하기 위해 주로 사용되는 계산적 카테고리들은 무엇인가요?
• RQ2 신경망, 행렬 방법, 추천 시스템, 링크 추론, 텍스트 마이닝 등의 다양한 알고리즘 접근 방식은 예측 성능에서 어떻게 비교되나요?
• RQ3 각 방법 카테고리의 복잡한 생물학적 관계 모델링에서의 주요 강점과 한계는 무엇인가요?
• RQ4 기존 방법들은 희소하거나 불완전한 생물학적 상호작용 데이터를 어떻게 다루나요?
• RQ5 계산적 약물-질병 연관성 예측 분야에서 주요한 열린 과제와 향후 연구 방향은 무엇인가요?

주요 결과

• 특히 그래프 컬러션 네트워크(GCN)를 포함한 신경망 기반 모델은 생물학적 상호작용 네트워크 내 복잡한 비선형 관계를 잘 포착하여 뛰어난 성능을 보인다.
• 행렬 분해 기반 방법은 기존의 약물-타겟 및 약물-질병 상호작용을 활용하여 새로운 연관성을 추론함으로써 경쟁적인 성능을 달성한다.
• 지식 그래프 기반 및 텍스트 마이닝 접근 방식은 과학 문헌과 의미 기반 데이터베이스를 포함한 이질적인 데이터 소스 통합에 효과적임을 보였다.
• 특히 협업 필터링 기반 추천 알고리즘은 암시적 상호작용 패턴을 사용하여 연관성을 예측하는 데 잠재력이 있다.
• 데이터셋 간 성능에 큰 차이가 있으며, 데이터 품질과 방법 선택에 따라 AUC-ROC 점수는 0.7에서 0.95 이상까지 변동한다.
• 진전이 있었음에도 불구하고, 해석 가능성, 다양한 질병에 대한 일반화 능력 향상, 데이터 희소성 및 노이즈 처리 문제 등 여전히 도전 과제가 남아 있다.