[论文解读] 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 3

一句话总结

本综述全面整合了近年来用于预测药物-疾病关联的计算方法，聚焦于药物重定位，将方法分类为神经网络、基于矩阵的模型、推荐系统、基于链接的推理以及文本挖掘。评估了各类方法的性能，并概述了加速安全且经济高效的药物发现所面临的关键挑战与未来方向。

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.

研究动机与目标

• 通过实现更快、更安全、更高效的药物重定位，解决传统药物研发中成本高昂、周期长及高失败率的问题。
• 系统性地对预测药物-疾病关联的多样化计算方法进行分类与评估。
• 比较不同算法族在药物-疾病关联预测中的预测性能。
• 识别当前局限性，并提出计算药物-疾病关联预测的未来研究方向。

提出的方法

• 将计算方法分为五大类：基于神经网络的算法、基于矩阵的算法、推荐算法、基于链接的推理算法以及文本挖掘/语义推理方法。
• 回顾图卷积网络（GCNs）和自编码器等深度学习模型的架构与在建模复杂生物互作关系中的应用。
• 分析利用已知药物-疾病及药物-靶点互作关系来推断新关联的矩阵分解技术。
• 研究基于协同过滤和知识图谱的推荐系统在预测新型药物-疾病对中的应用。
• 评估知识图嵌入与自然语言处理技术在从生物医学文献中提取并推理关联关系方面的表现。
• 使用标准化评估指标（如AUC-ROC和AUPR）在基准数据集上对比各类方法。

实验结果

研究问题

• RQ1 在药物重定位中，用于预测药物-疾病关联的主要计算类别有哪些？
• RQ2 不同算法方法——神经网络、矩阵方法、推荐系统、链接推理和文本挖掘——在预测性能上如何比较？
• RQ3 各类方法在建模复杂生物关系方面的关键优势与局限性是什么？
• RQ4 现有方法如何处理稀疏或不完整的生物互作数据？
• RQ5 计算药物-疾病关联预测中的主要开放挑战与未来研究方向是什么？

主要发现

• 基于神经网络的模型，特别是图卷积网络（GCNs），在捕捉生物互作网络中的复杂非线性关系方面表现出色。
• 基于矩阵分解的方法通过利用已知的药物-靶点和药物-疾病互作关系，能够实现具有竞争力的预测结果。
• 基于知识图谱的方法和文本挖掘方法在整合异构数据源（包括科学文献和语义数据库）方面表现出有效性。
• 推荐算法，特别是基于协同过滤的算法，在利用隐式互作模式预测关联方面展现出潜力。
• 不同数据集上的性能差异显著，AUC-ROC得分范围从0.7到超过0.95，具体取决于数据质量和方法选择。
• 尽管已取得进展，但在可解释性、跨多种疾病场景的泛化能力，以及处理数据稀疏性和噪声方面仍存在挑战。