[논문 리뷰] Deep learning for drug repurposing: methods, databases, and applications

Xiaoqin Pan, Xuan Lin외 6명|arXiv (Cornell University)|2022. 02. 08.

Computational Drug Discovery Methods인용 수 11

한 줄 요약

이 리뷰는 약물 재포지셔닝을 위한 딥러닝 기법, 데이터베이스, 응용 분야를 종합적으로 정리하며, 치료적 발견을 가속화하기 위해 시퀀스 기반 및 그래프 기반 표현에 초점을 맞춘다. 코로나19에 대한 약물 재포지셔닝에서의 성공적인 적용 사례를 포함해 최신 모델들을 강조하며, 복잡한 질병 연구에서 대규모 생물의학 데이터를 활용하는 종합적인 프레임워크를 제공한다.

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.

연구 동기 및 목표

• 약물 재포지셔닝에 적용 가능한 딥러닝 방법론에 대한 체계적인 개요를 제공하는 것.
• 약물 재포지셔닝에 관련된 핵심 생물정보학 및 약물유전체학 데이터베이스를 정리하고 평가하는 것.
• 약물과 타겟에 대한 최신 시퀀스 기반 및 그래프 기반 표현 학습 기법을 분석하는 것.
• 딥러닝이 SARS-CoV-2 및 기타 복잡한 질병에 대한 재포지셔닝된 약물 식별에 어떻게 적용되었는지 보여주는 것.
• 다양한 옹모믹스 및 생물의학 데이터를 통합하여 AI 기반 약물 개발을 위한 현재의 과제와 향후 방향을 제시하는 것.

제안 방법

• 논문은 약물 및 타겟 시퀀스를 인코딩하기 위한 자동에코더와 트랜스포머 기반 모델과 같은 시퀀스 기반 임베딩 기법을 검토한다.
• 분자의 구조와 단백질-단백질 상호작용 네트워크를 모델링하기 위해 그래프 신경망(GNNs)을 분석한다.
• 다양한 데이터베이스에서 온 약물, 타겟, 질병 데이터를 통합하는 다중모odal 딥러닝 프레임워크를 평가한다.
• 이질적인 생물의학 데이터를 공동 임베딩 공간으로 통합하는 표현 학습 전략을 논의한다.
• 제한된 레이블이 있는 데이터로 모델의 일반화 능력을 향상시키기 위해 전이 학습 및 소수의 학습 접근법을 강조한다.
• 최근의 약물 재포지셔닝 연구에서 사용된 벤치마킹 프rotocol와 평가 지표를 제시한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 어떻게 다중 소스 생물의학 데이터를 약물 재포지셔닝에 효과적으로 통합할 수 있는가?
• RQ2 약물과 타겟에 대해 가장 효과적인 시퀀스 기반 및 그래프 기반 표현 방법은 무엇인가?
• RQ3 딥러닝 모델은 SARS-CoV-2에 대한 재포지셔닝된 약물 식별에 어떻게 적용되었는가?
• RQ4 딥러닝이 약물 재포지셔닝에서 효과적으로 작용하기 위해 지원하는 주요 데이터베이스와 데이터 통합 전략는 무엇인가?
• RQ5 코로나19를 초월한 복잡한 질병으로의 딥러닝 접근법 확장에 있어 주요 과제는 무엇인가?

주요 결과

• 분자의 구조를 그래프 기반 표현으로 활용하는 딥러닝 모델은 약물-타겟 상호작용 예측에서 향상된 예측 성능을 보였다.
• 트랜스포머와 자동에코더와 같은 시퀀스 기반 모델은 제한된 생물학적 시퀀스로부터 효과적인 표현 학습을 가능하게 하였다.
• 약물, 타겟, 질병 데이터를 통합하는 다중모달 딥러닝 프레임워크는 재포지셔닝된 약물 후보를 식별하는 데 높은 정확도를 달성하였다.
• 여러 딥러닝 모델이 SARS-CoV-2에 대해 기존에 알려진 및 새로운 약물 후보를 성공적으로 식별하여 패닉 대응에 실용적 유용성을 입증하였다.
• 진전이 있었음에도 불구하고, 데이터 이질성, 모델의 해석 가능성, 다양한 질병 맥락에서의 일반화 능력 향상에 있어 여전히 과제가 남아 있다.
• DrugBank, DGIdb, CTRP와 같은 대규모로 총정리된 데이터베이스의 통합은 모델의 성능과 신뢰도를 크게 향상시켰다.