약물의 표적 단백질을 알아내는 것은 신약 개발과 재창출 과정에서 매우 중요하다. 본 연구는 다분야의 약물- 약물 유사성 네트워크를 통합하고 열 확산모델을 통해 약물 표적을 예측하였다. 네트워크 상에서 위치가 가까운 약물끼리 표적이 유사할 가능성이 높다는 가정 하에 모델을 구축하였다. 약물-약물 유사성 네트워크는 in house 데이터인 약물 유도 전사체 데이터 (KMap – HDFn), 약물 구조 데이터 (PubChem), 부작용 데이터 (SIDER)를 사용하여 구축하였다. 단일 약물 유사성 네트워크를 사용하였을 때는 ...
약물의 표적 단백질을 알아내는 것은 신약 개발과 재창출 과정에서 매우 중요하다. 본 연구는 다분야의 약물- 약물 유사성 네트워크를 통합하고 열 확산모델을 통해 약물 표적을 예측하였다. 네트워크 상에서 위치가 가까운 약물끼리 표적이 유사할 가능성이 높다는 가정 하에 모델을 구축하였다. 약물-약물 유사성 네트워크는 in house 데이터인 약물 유도 전사체 데이터 (KMap – HDFn), 약물 구조 데이터 (PubChem), 부작용 데이터 (SIDER)를 사용하여 구축하였다. 단일 약물 유사성 네트워크를 사용하였을 때는 AUC 0.6 ~ 0.7 사이의 정확도로 약물 표적을 예측할 수 있었으나, 유사성 네트워크를 통합한 결과 이보다 높은 0.78의 성능을 보였다. 이러한 성능은 같은 네트워크 전파 모델인 개인화된 페이지 랭크보다 좋은 결과이다. 또한 약물 친화성을 기준으로 나눈 치료 표적 그룹 (TT)과 그 외 표적 그룹(OT)을 각각 검증했을 경우, TT 그룹 AUC 0.85, OT 그룹 AUC 0.76의 예측력을 보였다. 즉, 모델이 치료 표적을 그 외 표적보다 잘 예측하는 것으로 나타났다. 이는 그 외 표적보다 치료 표적이 실제로 약물 작용에 더 큰 영향을 미치기 때문인 것으로 해석된다. 본 연구 결과는 약물의 다분야 데이터 통합의 효과와 표적 예측에 대한 네트워크 열 확산 모델의 유의성을 보여준다.
약물의 표적 단백질을 알아내는 것은 신약 개발과 재창출 과정에서 매우 중요하다. 본 연구는 다분야의 약물- 약물 유사성 네트워크를 통합하고 열 확산모델을 통해 약물 표적을 예측하였다. 네트워크 상에서 위치가 가까운 약물끼리 표적이 유사할 가능성이 높다는 가정 하에 모델을 구축하였다. 약물-약물 유사성 네트워크는 in house 데이터인 약물 유도 전사체 데이터 (KMap – HDFn), 약물 구조 데이터 (PubChem), 부작용 데이터 (SIDER)를 사용하여 구축하였다. 단일 약물 유사성 네트워크를 사용하였을 때는 AUC 0.6 ~ 0.7 사이의 정확도로 약물 표적을 예측할 수 있었으나, 유사성 네트워크를 통합한 결과 이보다 높은 0.78의 성능을 보였다. 이러한 성능은 같은 네트워크 전파 모델인 개인화된 페이지 랭크보다 좋은 결과이다. 또한 약물 친화성을 기준으로 나눈 치료 표적 그룹 (TT)과 그 외 표적 그룹(OT)을 각각 검증했을 경우, TT 그룹 AUC 0.85, OT 그룹 AUC 0.76의 예측력을 보였다. 즉, 모델이 치료 표적을 그 외 표적보다 잘 예측하는 것으로 나타났다. 이는 그 외 표적보다 치료 표적이 실제로 약물 작용에 더 큰 영향을 미치기 때문인 것으로 해석된다. 본 연구 결과는 약물의 다분야 데이터 통합의 효과와 표적 예측에 대한 네트워크 열 확산 모델의 유의성을 보여준다.
Identifying the target protein of a drug is very important in the development and repositioning of drugs. This study used an integrated drug-drug similarity network and predicted drug targets through the Heat diffusion model. The model was constructed under the assumption that the targets are likely...
Identifying the target protein of a drug is very important in the development and repositioning of drugs. This study used an integrated drug-drug similarity network and predicted drug targets through the Heat diffusion model. The model was constructed under the assumption that the targets are likely to be similar between drugs close to each other on the network. Drug-drug similarity network was constructed using drug-induced transcription data (KMAP – HDFn) which are in house data, drug structure data (Fingerprint), and side effect data (SIDER). When a single drug similarity network was used, drug targets could be predicted with accuracy between AUC 0.6 and 0.7, but the integration of similarity networks showed higher performance of 0.78. This performance is better than the same network propagation model, the Personalized Pagerank. furthermore, when the Therapeutic Target group (TT) and Other Target group (OT) divided by drug affinity were verified, TT group result showed AUC 0.85 and the OT group result showed AUC 0.76. In other words, it was found that the model predicted the treatment target better than other targets. This is interpreted because therapeutic targets actually have a greater effect on drug action than other targets. The results of this study show the effectiveness of integrating drug data from multiple sources and significance of the network Heat diffusion model for target prediction.
Identifying the target protein of a drug is very important in the development and repositioning of drugs. This study used an integrated drug-drug similarity network and predicted drug targets through the Heat diffusion model. The model was constructed under the assumption that the targets are likely to be similar between drugs close to each other on the network. Drug-drug similarity network was constructed using drug-induced transcription data (KMAP – HDFn) which are in house data, drug structure data (Fingerprint), and side effect data (SIDER). When a single drug similarity network was used, drug targets could be predicted with accuracy between AUC 0.6 and 0.7, but the integration of similarity networks showed higher performance of 0.78. This performance is better than the same network propagation model, the Personalized Pagerank. furthermore, when the Therapeutic Target group (TT) and Other Target group (OT) divided by drug affinity were verified, TT group result showed AUC 0.85 and the OT group result showed AUC 0.76. In other words, it was found that the model predicted the treatment target better than other targets. This is interpreted because therapeutic targets actually have a greater effect on drug action than other targets. The results of this study show the effectiveness of integrating drug data from multiple sources and significance of the network Heat diffusion model for target prediction.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.