BioChemDDI: Predicción de Interacciones Droga-Droga mediante la Fusión de Información Bioquímica y Estructural a través de un Mecanismo de Autoatención
Autores: Ren, Zhong-Hao; Yu, Chang-Qing; Li, Li-Ping; You, Zhu-Hong; Pan, Jie; Guan, Yong-Jian; Guo, Lu-Xiang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
Durante el desarrollo de aplicaciones clínicas y de medicamentos, debido a la coadministración de diferentes fármacos que tienen un alto riesgo de interferir con los mecanismos de acción de unos y otros, es importante identificar correctamente las posibles interacciones entre fármacos (DDIs) para evitar una reducción en las actividades terapéuticas de los medicamentos y lesiones graves al organismo. Por lo tanto, para explorar posibles DDIs, desarrollamos un método computacional de integración de información a múltiples niveles. En primer lugar, la información de la secuencia química se captura completamente mediante el algoritmo de Procesamiento de Lenguaje Natural (NLP), y se fusiona información de similitud de múltiples funciones biológicas mediante la Fusión de Redes de Similitud (SNF). En segundo lugar, extraemos información de la estructura de la red profunda a través del Aprendizaje de Representación Jerárquica para Redes (HARP). Luego, se construye un descriptor de características integrales altamente representativo a través del módulo de autoatención que integra de manera eficiente características bioquímicas y de red. Finalmente, se emplea una red neuronal profunda (DNN) para generar los resultados de predicción. En contraste con el modelo de supervisión anterior, BioChemDDI introdujo de manera innovadora el colapso de gráficos para extraer una estructura de red y utilizó la información bioquímica durante el proceso de preentrenamiento. Los resultados de predicción del conjunto de datos de referencia indican que BioChemDDI supera a otros modelos existentes. Además, se analizaron estudios de caso relacionados con tres enfermedades cancerosas, incluyendo cáncer de mama, carcinoma hepatocelular y malignidades, utilizando BioChemDDI. Como resultado, 24, 18 y 20 de los 30 principales fármacos relacionados con el cáncer predichos fueron confirmados por las bases de datos. Estos resultados experimentales demuestran que BioChemDDI es un modelo útil para predecir DDIs y puede proporcionar candidatos confiables para experimentos biológicos. El servidor web del predictor BioChemDDI está disponible de forma gratuita para realizar estudios adicionales.
Descripción
Durante el desarrollo de aplicaciones clínicas y de medicamentos, debido a la coadministración de diferentes fármacos que tienen un alto riesgo de interferir con los mecanismos de acción de unos y otros, es importante identificar correctamente las posibles interacciones entre fármacos (DDIs) para evitar una reducción en las actividades terapéuticas de los medicamentos y lesiones graves al organismo. Por lo tanto, para explorar posibles DDIs, desarrollamos un método computacional de integración de información a múltiples niveles. En primer lugar, la información de la secuencia química se captura completamente mediante el algoritmo de Procesamiento de Lenguaje Natural (NLP), y se fusiona información de similitud de múltiples funciones biológicas mediante la Fusión de Redes de Similitud (SNF). En segundo lugar, extraemos información de la estructura de la red profunda a través del Aprendizaje de Representación Jerárquica para Redes (HARP). Luego, se construye un descriptor de características integrales altamente representativo a través del módulo de autoatención que integra de manera eficiente características bioquímicas y de red. Finalmente, se emplea una red neuronal profunda (DNN) para generar los resultados de predicción. En contraste con el modelo de supervisión anterior, BioChemDDI introdujo de manera innovadora el colapso de gráficos para extraer una estructura de red y utilizó la información bioquímica durante el proceso de preentrenamiento. Los resultados de predicción del conjunto de datos de referencia indican que BioChemDDI supera a otros modelos existentes. Además, se analizaron estudios de caso relacionados con tres enfermedades cancerosas, incluyendo cáncer de mama, carcinoma hepatocelular y malignidades, utilizando BioChemDDI. Como resultado, 24, 18 y 20 de los 30 principales fármacos relacionados con el cáncer predichos fueron confirmados por las bases de datos. Estos resultados experimentales demuestran que BioChemDDI es un modelo útil para predecir DDIs y puede proporcionar candidatos confiables para experimentos biológicos. El servidor web del predictor BioChemDDI está disponible de forma gratuita para realizar estudios adicionales.