ML-DTD: обнаружение целевых лекарств на основе машинного обучения для потенциального лечения COVID-19

. 2022 30 сентября; 10 (10): 1643.

doi: 10.3390/vaccines10101643.

Сован Саха
¹
, Пияли Чаттерджи
²
, Ануп Кумар Гальдер
³

4
, Мита Насипури
⁵
, Субхадип Басу
⁵
, Дариуш Плевчински
³

4

Принадлежности

• ¹ Департамент компьютерных наук и инженерии, Институт инженерии и менеджмента, Электронный комплекс Солт-Лейк-Сити, Калькутта 700091, Индия.
• ² Факультет компьютерных наук и инженерии, Инженерный колледж Нетаджи Субхаша, Техно-сити, Панчпота, Гариа, Калькутта 700152, Индия.
• ³ Факультет математики и информатики, Варшавский технологический университет, Кошикова 75, 00-662 Варшава, Польша.
• ⁴ Лаборатория функциональной и структурной геномики, Центр новых технологий, Варшавский университет, ул. Банаха 2c, 02-097 Варшава, Польша.
• ⁵ Факультет компьютерных наук и инженерии, Джадавпурский университет, 188, Raja S.C. Mallick Road, Калькутта 700032, Индия.

• PMID:

  36298508

• PMCID:

  PMC9607653

• DOI:

  10. 3390/вакцин10101643

Бесплатная статья ЧВК

Сован Саха и др.

Вакцины (Базель).

2022 .

Бесплатная статья ЧВК

. 2022 30 сентября; 10 (10): 1643.

doi: 10.3390/vaccines10101643.

Авторы

Сован Саха
¹
, Пияли Чаттерджи
²
, Ануп Кумар Гальдер
³

4
, Мита Насипури
⁵
, Субхадип Басу
⁵
, Дариуш Плевчински
³

4

Принадлежности

• ¹ Департамент компьютерных наук и инженерии, Институт инженерии и менеджмента, Электронный комплекс Солт-Лейк-Сити, Калькутта 700091, Индия.
• ² Факультет компьютерных наук и инженерии, Инженерный колледж Нетаджи Субхаша, Техно-сити, Панчпота, Гариа, Калькутта 700152, Индия.
• ³ Факультет математики и информатики, Варшавский технологический университет, Кошикова 75, 00-662 Варшава, Польша.
• ⁴ Лаборатория функциональной и структурной геномики, Центр новых технологий, Варшавский университет, улица Банаха 2с, 02-097 Варшава, Польша.
• ⁵ Факультет компьютерных наук и инженерии, Джадавпурский университет, 188, Raja S.C. Mallick Road, Калькутта 700032, Индия.

• PMID:

  36298508

• PMCID:

  PMC9607653

• DOI:

  10. 3390/вакцин10101643

Абстрактный

Недавние исследования показали, что большая часть белковых мишеней для приема лекарств в интерактоме человека остается неизученной при различных заболеваниях. Это может привести к исследованию перепрофилирования лекарств и помочь в предсказании in-silico взаимодействий новых лекарств и белков-мишеней человека. То же самое относится и к нынешней пандемии COVID-19.болезней в глобальных проблемах здравоохранения. Крайне желательно определить потенциальные мишени лекарств для человека от COVID-19 с использованием подхода машинного обучения, поскольку он экономит время и труд по сравнению с традиционными экспериментальными методами. Открытие лекарств на основе структуры, при котором лекарственная способность определяется путем молекулярного докинга, подходит только для белка, трехмерная структура которого доступна. С помощью алгоритмов машинного обучения можно использовать дифференциацию соответствующих функций для прогнозирования целей и нецелей для белков, чьи трехмерные структуры недоступны. В этом исследовании предлагается подход к обнаружению целевых лекарств на основе машинного обучения (ML-DTD), при котором модель машинного обучения изначально создается и тестируется на тщательно подобранном наборе данных, состоящем из COVID-19.целевые и нецелевые лекарственные препараты для человека, сформированные с использованием базы данных терапевтических целей (TTD) и человеческого интерактома с использованием нескольких классификаторов, таких как классификатор XGBBoost, классификатор AdaBoost, логистическая регрессия, классификация опорных векторов, классификатор дерева решений, классификатор случайного леса, наивный байесовский классификатор и K-Классификатор ближайших соседей (KNN). В этом методе характеристики белка включают ранжирование анализа обогащения набора генов (GSEA), свойства, полученные из последовательности белка, и меры, основанные на центральности сети кодированного белка. Среди всего этого модели XGBBoost, KNN и Random Forest являются удовлетворительными и непротиворечивыми. Эта модель в дальнейшем используется для прогнозирования нового COVID-19.лекарственные мишени для человека, которые дополнительно подтверждаются анализом пути мишени, появлением родственных перепрофилированных лекарств и последующим исследованием их стыковки.

Ключевые слова:

нецелевые препараты для лечения человека от COVID-19; мишени для лечения человека от COVID-19; стыковка; анализ обогащения набора генов; машинное обучение; сетевая центральность; белковая последовательность.

Заявление о конфликте интересов

Авторы заявляют, что у них нет конкурирующих интересов.

Цифры

Рисунок 1

Вычислительный рабочий процесс ML-DTD.

Рисунок 1

Вычислительный рабочий процесс ML-DTD.

фигура 1

Вычислительный рабочий процесс ML-DTD.

Рисунок 2

Функции PPIN Функции белковой последовательности,…

Рисунок 2

PPIN содержит функции Protein Sequence и GSEA Ranking.

фигура 2

PPIN включает функции белковой последовательности и функции ранжирования GSEA.

Рисунок 3

Сравнение точности, прецизионности, отзыва,…

Рисунок 3

Сравнение точности, прецизионности, полноты, F1-показателя, Коэнса-каппа-показателя и AUC…

Рисунок 3

Сравнение точности, прецизионности, полноты, F1-показателя, Коэнса-каппа-показателя и AUC предлагаемого ML-DTD.

Рисунок 4

Перекрытие ML-DTD и Gordon…

Рисунок 4

Перекрытие ML-DTD и Gordon et al. спрогнозировали мишени для лечения человека от COVID-19.

Рисунок 4

Перекрытие ML-DTD и Gordon et al. спрогнозировали мишени для лечения человека от COVID-19.

Рисунок 5

Перекрытие XGBoost и других…

Рисунок 5

Наложение XGBoost и других методов предсказало мишени для лечения COVID-19 у людей.

Рисунок 5

Наложение XGBoost и других методов предсказало мишени для лекарств COVID-19 у человека.

Рисунок 6

Перекрытие случайного леса и…

Рисунок 6

Перекрытие Random Forest и других методов предсказало мишени для лекарств COVID-19 у человека.

Рисунок 6

Перекрытие Random Forest и других методов предсказало мишени для лекарств COVID-19 у человека.

Рисунок 7

Перекрытие КНН и др.…

Рисунок 7

Наложение KNN и других методов предсказало мишени для лекарств COVID-19 у людей.

Рисунок 7

Наложение KNN и других методов предсказало мишени для лекарств COVID-19 у человека.

Рисунок 8

Перекрытие потенциального COVID-19, производного от COVID-19Db…

Рисунок 8

Перекрытие потенциальных лекарств от COVID-19Db, полученных из COVID-19, для непревзойденных/новых целей, предсказанных…

Рисунок 8

Перекрытие потенциальных лекарств от COVID-19, полученных из COVID-19Db, для непревзойденных/новых целей, предсказанных тремя наиболее эффективными моделями.

Рисунок 9

Перекрытие десяти основных производных от COVID-19Db…

Рисунок 9

Совпадение десяти лучших потенциальных препаратов COVID-19Db, полученных из COVID-19, для предсказанных непревзойденных/новых целей…

Рисунок 9

Перекрытие десяти первых потенциальных препаратов COVID-19Db для лечения непревзойденных/новых целей, предсказанных тремя наиболее эффективными моделями.

Рисунок 10

Лучшие позы результатов стыковки…

Рисунок 10

Лучшие позы результатов стыковки нинтеданиба (CID: 135423438) с шиповидным белком, 3CLpro,…

Рисунок 10

Наилучшие результаты стыковки нинтеданиба (CID: 135423438) с шиповидным белком, 3CLpro, PLpro, RdRp, N-белком и ACE2.

См. это изображение и информацию об авторских правах в PMC

Похожие статьи

• Тезисы презентаций на собрании Ассоциации ученых-клиницистов 143 ^rd Луисвилл, Кентукки, 11–14 мая 2022 г.

  [Нет авторов в списке]
  [Нет авторов в списке]
  Энн Клин Lab Sci. 2022 май; 52(3):511-525.
  Энн Клин Lab Sci. 2022.

  PMID: 35777803

• Прогнозирование с помощью машинного обучения мишеней для онкологических препаратов на основе свойств белков и сетей.

  Дезо З., Чеккарелли М.
  Дезо З. и соавт.
  Биоинформатика BMC. 2020 14 марта; 21 (1): 104. doi: 10.1186/s12859-020-3442-9.
  Биоинформатика BMC. 2020.

  PMID: 32171238
  Бесплатная статья ЧВК.

• Алгоритмы машинного обучения для прогнозирования результатов в (химио) лучевой терапии: эмпирическое сравнение классификаторов.

  Deist TM, Dankers FJWM, Valdes G, Wijsman R, Hsu IC, Oberije C, Lustberg T, van Soest J, Hoebers F, Jochems A, El Naqa I, Wee L, Morin O, Raleigh DR, Bots W, Kaanders Дж. Х., Белдербос Дж., Квинт М., Солберг Т. , Моншоувер Р., Буссинк Дж., Деккер А., Ламбин П.
  Деист ТМ и др.
  мед. физ. 2018 июль; 45 (7): 3449-3459. doi: 10.1002/mp.12967. Epub 2018 13 июня.
  мед. физ. 2018.

  PMID: 29763967
  Бесплатная статья ЧВК.

• Машинное обучение для прогнозирования мишеней для лекарств при сердечно-сосудистых заболеваниях, связанных с микроорганизмами, путем включения сетевых параметров взаимодействия хозяин-патоген.

  Сингх Н., Бхатнагар С.
  Сингх Н. и др.
  Мол Информ. 2022 март;41(3):e2100115. doi: 10.1002/minf.202100115. Epub 2021 22 октября.
  Мол Информ. 2022.

  PMID: 34676983

• Прогнозирование типов мембранных белков с использованием различных классификаторов дерева решений на основе различных режимов общего PseAAC для несбалансированных наборов данных.

  Санкари Э.С., Манимегалаи Д.
  Санкари Э.С. и соавт.
  Дж Теор Биол. 2017 21 декабря; 435: 208-217. дои: 10.1016/j.jtbi.2017.090,018. Epub 2017 20 сентября.
  Дж Теор Биол. 2017.

  PMID: 28941868

  Рассмотрение.

Посмотреть все похожие статьи

использованная литература

1. 1. Барман Р.К., Мухопадхьяй А., Маулик У., Дас С. Подход сетевой биологии к выявлению важнейших целей-хозяев для COVID-19. Методы. 2022; 203: 108–115. doi: 10.1016/j.ymeth.2022.03.016.

      —

      DOI

      —

      ЧВК

      —

      пабмед

2. 1. МакФарланд Дж. М., Хо З.В., Кугенер Г., Демпстер Дж.М., Монтгомери П.Г., Брайан Дж.Г., Крилл-Бургер Дж.М., Грин Т.М., Васкес Ф., Бём Дж.С. и др. Улучшенная оценка зависимостей рака от крупномасштабных скринингов РНКи с использованием нормализации на основе моделей и интеграции данных. Нац. коммун. 2018;9:4610. doi: 10.1038/s41467-018-06916-5.

      —

      DOI

      —

      ЧВК

      —

      пабмед

3. 1. Бехан Ф.М., Иорио Ф., Пикко Г., Гонсалвес Э., Бивер С.М., Мильярди Г., Сантос Р. , Рао Ю., Сасси Ф., Пиннелли М. и др. Приоритизация терапевтических мишеней рака с использованием скрининга CRISPR-Cas9. Природа. 2019; 568: 511–516. doi: 10.1038/s41586-019-1103-9.

      —

      DOI

      —

      пабмед

4. 1. Саха С., Гальдер А.К., Бандиопадхьяй С.С., Чаттерджи П., Насипури М., Бозе Д., Басу С. Перепрофилирование препарата для лечения COVID-19 с использованием компьютерного скрининга: является ли фостаматиниб/R406 потенциальным кандидатом? Методы. 2022; 203: 564–574. doi: 10.1016/j.ymeth.2021.08.007.

      —

      DOI

      —

      ЧВК

      —

      пабмед

5. 1. Рутвик Сурья У. , Правин Н. Исследование молекулярной стыковки основной протеазы SARS-CoV-2 с фитохимическими веществами Boerhavia diffusa Linn. за открытие нового лекарства от COVID-19. Вирусное заболевание. 2021; 32: 46–54. doi: 10.1007/s13337-021-00683-6.

      —

      DOI

      —

      ЧВК

      —

      пабмед

Грантовая поддержка

Премия UGC Research Award (F.30-31/2016(SA-II)) от UGC, правительства Индии, и проекта DBT (№ BT/PR16356/BID/7/596/2016), Министерства науки и технологий , Правительство Индии; Инициатива передового опыта: грант Исследовательского университета (IDUB) IDUB BOB-IDUB-622-197/2021; Польский национальный научный центр (2019/35/O/ST6/02484 и 2020/37/B/NZ2/03757), Фонд польской науки, софинансируемый Европейским Союзом в рамках Европейского фонда регионального развития; Европейская комиссия Horizon 2020 Мари Склодовская-Кюри ITN Enpathy Грант «Молекулярные основы человеческих энхансеропатий»; и Национальный институт здравоохранения США, грант 4DNucleome 1U54DK107967-01 «Система позиционирования нуклеомов для пространственно-временной организации и регуляции генома»; Действие Марии Склодовской-Кюри: при поддержке проекта RENOIR исследовательской и инновационной программы Европейского Союза Horizon 2020 в рамках соглашения о гранте Марии Склодовской-Кюри № 691152 и Министерства науки и высшего образования (Польша), грант № W34/h3020 /2016, 329025/ПНХ/2016; Варшавский технологический университет в рамках программы Excellence Initiative: Research University (IDUB); Министерство науки и высшего образования Польши (решение № 7054/IA/SP/2020 от 28 августа 2020 г. ).

ИССЛЕДОВАНИЕ ВАКЦИНЫ ОТ RSV ПРИ ВВЕДЕНИИ ВМЕСТЕ С TDAP У ЗДОРОВЫХ НЕБЕРЕМЕННЫХ ЖЕНЩИН В ВОЗРАСТЕ ОТ 18 ДО 49 ЛЕТ — Просмотр полного текста

Таблица размещения информации о местоположении

Клинические исследования Атланта
Стокбридж, Джорджия, США, 30281
Восток-Западный медицинский научно-исследовательский институт
Гонолулу, Гавайи, США, 96814
Альянс многопрофильных исследований
Уичито, Канзас, США, 67207
Sundance Clinical Research
Сент-Луис, Миссури, США, 63141
Meridian Clinical Research
Омаха, Небраска, США, 68134
Институт медицинских наук Линна
Оклахома-Сити, Оклахома, США, 73112
Omega Medical Research
Уорик, Род-Айленд, США, 02886
Meridian Clinical Research, LLC
Дюны Дакоты, Южная Дакота, США, 57049
Сравнительное исследование
Остин, Техас, США, 78705
Ventavia Research Group
Форт-Уэрт, Техас, США, 76104
Техасский центр разработки лекарств
Хьюстон, Техас, США, 77081
Clinical Trials of Texas, Inc.
Сан-Антонио, Техас, США, 78229
Диагностическая клиника Мартина
Томболл, Техас, США, 77375
J. Lewis Research, Inc. / Семейная клиника Foothill
Солт-Лейк-Сити, Юта, США, 84109
J. Lewis Research, Inc. / Foothill Family Clinic South
Солт-Лейк-Сити, Юта, США, 84121
J. Lewis Research, Inc / Семейная медицина реки Джордан
Саут Джордан, Юта, США, 84095

Таблица раскладок для информации следователя

Руководитель исследования:	Колл-центр Pfizer CT. About admin