Novel deep learning-based transcriptome data analysis for drug-drug interaction prediction with an application in diabetes.
Novel deep learning-based transcriptome data analysis for drug-drug interaction prediction with an application in diabetes.
复制标题
DOI：
10.1186/s12859-021-04241-1
复制
发表时间：
2021-06-11
影响因子：
3
通讯作者：
Hu Y
中科院分区：
文献类型：
--
作者：
Luo Q;Mo S;Xue Y;Zhang X;Gu Y;Wu L;Zhang J;Sun L;Liu M;Hu Y
药物相互作用（DDI）是一个严重的公共卫生问题。LINCS项目的L1000数据库已经收集了72个细胞系中由20，000种小分子化合物诱导的数百万个全基因组表达。这种统一而全面的转录组数据资源能否用于构建更好的DDI预测模型，目前还不清楚。因此，我们开发并验证了一种新的深度学习模型，用于使用从DrugBank数据库（版本5.1.4）中提取的89，970个已知DDI来预测DDI。该模型由一个用于嵌入LINCS项目L1000数据库中药物诱导转录组数据的图卷积自编码器网络（GCAN）和一个用于DDI预测的长短期记忆（LSTM）组成。各种机器学习方法的比较评估表明，我们提出的DDI预测模型的上级性能。我们预测的许多DDI都在最新的DrugBank数据库（版本5.1.7）中显示。在病例研究中，我们预测与磺脲类药物相互作用的药物会导致低血糖，与二甲双胍相互作用的药物会导致乳酸酸中毒，并显示两者都会对体内代谢机制相关的蛋白质产生影响。提出的深度学习模型可以加速发现新的DDI。它可以支持未来更安全，更有效的药物联合处方的临床研究。在线版本包含补充材料，可通过10.1186/s12859-021-04241-1获得。
Drug-drug interaction (DDI) is a serious public health issue. The L1000 database of the LINCS project has collected millions of genome-wide expressions induced by 20,000 small molecular compounds on 72 cell lines. Whether this unified and comprehensive transcriptome data resource can be used to build a better DDI prediction model is still unclear. Therefore, we developed and validated a novel deep learning model for predicting DDI using 89,970 known DDIs extracted from the DrugBank database (version 5.1.4). The proposed model consists of a graph convolutional autoencoder network (GCAN) for embedding drug-induced transcriptome data from the L1000 database of the LINCS project; and a long short-term memory (LSTM) for DDI prediction. Comparative evaluation of various machine learning methods demonstrated the superior performance of our proposed model for DDI prediction. Many of our predicted DDIs were revealed in the latest DrugBank database (version 5.1.7). In the case study, we predicted drugs interacting with sulfonylureas to cause hypoglycemia and drugs interacting with metformin to cause lactic acidosis, and showed both to induce effects on the proteins involved in the metabolic mechanism in vivo. The proposed deep learning model can accelerate the discovery of new DDIs. It can support future clinical research for safer and more effective drug co-prescription. The online version contains supplementary material available at 10.1186/s12859-021-04241-1.
登录
查看更多内容
影响因子：
1.4
作者：
Mousavi, Sarah;Ghanbari, Golshan
通讯作者：
Ghanbari, Golshan
影响因子：
10.8
作者：
Lu, Phong;Bruno, Benjamin J.;Lim, Carol S.
通讯作者：
Lim, Carol S.
影响因子：
14.9
作者：
The Gene Ontology Consortium
通讯作者：
The Gene Ontology Consortium
影响因子：
3
作者：
Dey, Sanjoy;Luo, Heng;Zhang, Ping
通讯作者：
Zhang, Ping
影响因子：
4.9
作者：
Aliper A;Plis S;Artemov A;Ulloa A;Mamoshina P;Zhavoronkov A
通讯作者：
Zhavoronkov A