Key points are not available for this paper at this time.
Arzneimittelnebenwirkungen oder unerwünschte Arzneimittelreaktionen sind zu einem großen Gesundheitsproblem geworden und bleiben eine der Hauptursachen für das Scheitern von Medikamenten sowie für deren Rückzug vom Markt, nachdem sie auf den Markt gekommen sind. Daher ist die Identifikation potenziell schwerwiegender Nebenwirkungen eine Herausforderung. In diesem Papier entwickeln wir eine neue Methode zur Vorhersage potenzieller Nebenwirkungprofile von Arzneimittelkandidaten basierend auf ihren chemischen Strukturen und Informationen zu Zielproteinen in großem Maßstab. Wir schlagen mehrere Erweiterungen des Kernelregressionsmodells für mehrere Antworten vor, um mit heterogenen Datenquellen umzugehen. Die Originalität liegt in der Integration des chemischen Raums von Arzneimittelstrukturen und des biologischen Raums von Arzneimittelzielproteinen in einem einheitlichen Rahmen. Infolgedessen zeigen wir die Nützlichkeit der vorgeschlagenen Methode zur gleichzeitigen Vorhersage von 969 Nebenwirkungen für zugelassene Medikamente basierend auf deren chemischer Substruktur und Zielproteinprofilen und zeigen, dass die Vorhersagegenauigkeit dank des vorgeschlagenen Regressionsmodells und der Integration chemischer und biologischer Informationen konsequent verbessert wird. Wir führen auch eine umfassende Vorhersage von Nebenwirkungen für nicht charakterisierte Arzneimittelmoleküle, die in DrugBank gespeichert sind, durch und bestätigen interessante Vorhersagen mit unabhängigen Informationsquellen. Die vorgeschlagene Methode wird voraussichtlich in vielen Phasen des Arzneimittelentwicklungsprozesses nützlich sein.
Yamanishi et al. (Sat,) haben diese Frage untersucht.