通过图的深度生成模型预测 COVID-19 的潜在药物靶点与可重定位药物
分子网络
2020-07-07 v1
摘要
2019 冠状病毒病（COVID-19）已造成全球大流行。将已被证明无有害副作用的药物重新用于 COVID-19 患者的治疗，是启动新治疗策略的重要选项。因此，可靠的分子相互作用数据是关键基础，其中药物-、蛋白质-蛋白质相互作用网络建立了宝贵的、经长年精心整理的数据资源。然而，这些资源尚未被高性能人工智能方法系统性地开发利用。在此，我们组合了三个网络，其中两个为长年整理所得，另一个关于 SARS-CoV-2-人类宿主-病毒蛋白质相互作用的网络最近才发表（2020 年 4 月 30 日），从而构建了一个将药物、人类和病毒蛋白质置于相互关联背景中的新网络。我们应用变分图自编码器（VGAEs），其代表了基于深度学习、用于分析受网络约束数据的最先进方法。可靠的仿真证实我们在预测缺失链接方面达到了极高精度。随后我们预测了药物与病毒蛋白质优先结合的人类蛋白质之间迄今未知的链接。相应的治疗药剂为探索新型宿主导向治疗（HDT）方案提供了极佳的起点。
引用
@article{arxiv.2007.02338,
title = {Predicting potential drug targets and repurposable drugs for COVID-19 via a deep generative model for graphs},
author = {Sumanta Ray and Snehalika Lall and Anirban Mukhopadhyay and Sanghamitra Bandyopadhyay and Alexander Schönhuth},
journal= {arXiv preprint arXiv:2007.02338},
year = {2020}
}
备注
19 pages, 5 figures