时间：2023年5月26日(本周五) 09: 30
地点：望江校区基础教学楼B座318实验室
分享者：李希垚、张宛靖
Part1
分享者：李希垚
分享内容：
[1]ZHAO B-W, WANG L, HU P-W, et al. Fusing higher and lower-order biological information for drug repositioning via graph representation learning [J]. IEEE Transactions on Emerging Topics in Computing. 2023.
简介：药物重定位是一种很有前途的药物开发技术，可以为现有药物确定新的适应症。然而，现有的计算模型仅在单个药物、疾病及其关联层面利用低阶生物信息，很少能考虑到生物异构信息网络 (HIN) 中呈现的高阶连接模式。在这项工作中，我们提出了一种新的图表示学习模型FuHLDR，通过融合高阶和低阶生物信息来重新定位药物。具体来说，给定一个 HIN，FuHLDR 首先通过图卷积网络模型考虑药物和疾病的生物学属性和药物-疾病关联 (DDA)，从而在低阶级别学习药物和疾病的表征。然后，设计了一种基于元路径的策略来获得它们涉及药物、蛋白质和疾病之间关联的高阶表示。因此，它们的综合表示是通过融合高阶和低阶表示来确定的，最后 FuHLDR 使用分类器来识别新的 DDA。两个基准数据集的实验结果表明，FuHLDR 的性能优于几种最先进的药物重新定位模型。此外，我们对阿尔茨海默氏病和乳腺癌的案例研究表明，丰富的高阶生物学信息可获得更高的准确性，为药物重定位研究提供了新思路。
[2]YANG K, YANG Y, FAN S, et al. DRONet: effectiveness-driven drug repositioning framework using network embedding and ranking learning [J]. Briefings in Bioinformatics. 2023, 24(1): bbac518.
简介：药物重定位作为药物研发中最重要的方法之一，强调在已有的大量临床和实验数据的基础上，对已批准的药物进行进一步的分析和研究，以确定药物的新适应症。然而，现有的药物重新定位方法没有达到足够的预测性能，并且这些方法没有考虑药物的有效性信息，因此难以获得可靠且有价值的结果。在这项研究中，我们提出了一个名为 DRONet 的药物重新定位框架，它通过结合网络嵌入和排序学习，充分利用药物之间的有效性比较关系 (ECR) 作为先验信息。我们利用网络嵌入方法从异质药物-疾病网络中学习药物的深层特征，并构建了一个高质量的药物适应症数据集，包括基于有效性的药物对比关系。通过设计的排序学习模型，将药物的嵌入特征和 ECR 有效地结合起来，对候选药物进行优先排序。综合实验表明，与现有技术相比，DRONet 具有更高的预测精度。案例分析还证明了预测结果的高可靠性，具有指导临床药物开发的潜力。
Part2
分享者：张宛靖
分享内容：
[3]Zhang Y, Hu Y, Li H, et al. Drug-protein interaction prediction via variational autoencoders and attention mechanisms[J]. Frontiers in Genetics, 2022, 13
简介：在药物发现过程中，探索药物-蛋白质相互作用（DPI）是一个关键步骤。随着生物数据的快速发展，计算机辅助方法要比生物实验快得多。深度学习方法已经成为流行，主要用于提取药物和蛋白质的特征，以进一步预测DPI。由于通过机器学习预测DPIs不能完全提取有效的特征，本文提出了一个深度学习框架，使用transformer自动编码器和注意力机制，利用卷积神经网络（CNN）获得局部特征和注意机制，获得药物和蛋白质的重要信息，这对预测DPIs非常重要。与C.elegans和人类数据集上的一些机器学习方法相比，本文方法提供了一个更好的效果。在BindingDB数据集上，其准确性（ACC）和曲线下面积（AUC）分别达到0.862和0.913。为了验证模型的稳健性，在Davis和KIBA数据集上进行了多类分类任务，ACC值分别达到0.850和0.841，从而进一步证明了该模型的有效性。
[4]Dong W, Yang Q, Wang J, et al. Multi-modality attribute learning-based method for drug–protein interaction prediction based on deep neural network[J]. Briefings in Bioinformatics, 2023: bbad161.
简介：识别目标蛋白的活性候选化合物，也称为药物-蛋白相互作用（DPI）预测，是一个重要但耗时和昂贵的步骤，这也促进了药物发现的发展。近年来，基于深度网络的学习方法由于其强大的特征表示能力而在DPI中被频繁提出。然而，现有DPI方法的性能仍然受到标记不充分的药理学数据和忽视分子间信息的限制。因此，克服这些困难以完善DPI的性能是研究人员面临的一个紧迫挑战。本文设计了一个创新的基于 "多模态属性 "学习的框架，即MMA-DPI，采用分子transformer和图卷积网络。具体来说，分子间亚结构信息和化学语义表征通过增强transformer模块从生物医学数据中提取。一个三层图卷积神经网络模块被应用于关联相邻的拓扑信息，并通过聚合一个包含药物、蛋白质、疾病和副作用等多种生物表征的异质网络来学习浓缩维度的特征。然后，学习到的表征被作为全连接神经网络模块的输入，在分子和拓扑空间中进一步整合。最后，属性表征与自适应学习权重相融合，计算出DPI任务的交互得分。在不同的实验条件下对MMA-DPI进行评估，结果表明，本文提出的方法取得了比现有最先进框架更高的性能。
