Dr-COVID：用于 SARS-CoV-2 药物重定位的图神经网络
机器学习
2020-12-04 v1 分子网络
定量方法
摘要
2019 新型冠状病毒（SARS-CoV-2）大流行已导致全球超过百万人死亡、高发病率和经济困境。迫切需要有能够治疗和预防如 2019 冠状病毒病（COVID-19）等新型疾病的药物。药物重定位是一种有前景的策略，用于发现现有获批药物的新医学适应症，因为在成本、安全因素和快速结果方面相比新药设计和发现具有若干优势。在这项工作中，我们探索用于药物重定位的计算数据驱动方法，并提出一个专用的基于图神经网络（GNN）的药物重定位模型，称为 Dr-COVID。尽管我们详细分析了针对 COVID-19 的预测药物，该模型是通用的，可用于任何新型疾病。我们构建了一个四层异构图来建模药物、疾病、基因和解剖结构之间的复杂相互作用。我们将药物重定位视为一个链接预测问题。具体而言，我们设计了一个基于可扩展初始图神经网络（SIGN）的编码器来生成四层图中所有节点的嵌入，并提出一个二次范数评分器作为解码器来预测疾病的治疗药物。我们提供了对 Dr-COVID 从不同的药理类别（例如皮质类固醇、抗病毒药、抗寄生虫药）预测的用于 COVID-19 的 150 种潜在药物（如地塞米松、伊维菌素）的详细分析。在这 150 种药物中，46 种目前处于临床试验中。Dr-COVID 根据其预测性能以及将疾病的已知治疗药物尽可能高地排序的能力进行评估。对于大多数疾病，Dr-COVID 将实际治疗药物排在前 15 名内。
引用
@article{arxiv.2012.02151,
title = {Dr-COVID: Graph Neural Networks for SARS-CoV-2 Drug Repurposing},
author = {Siddhant Doshi and Sundeep Prabhakar Chepuri},
journal= {arXiv preprint arXiv:2012.02151},
year = {2020}
}