Zusammenfassung Der Ansatz der Medikamentenumplatzierung, der als effiziente Strategie zur Kostensenkung und Verkürzung der Entwicklungszeiten in der pharmazeutischen Industrie anerkannt ist, hat unter Forschern erhebliches Interesse geweckt. Mit umfangreichen Datensätzen, die reich an wertvollen Einblicken sind, werden maschinelle Lernmodelle nicht nur breit angewendet, sondern auch kontinuierlich verbessert, um Genauigkeit und Zuverlässigkeit zu erhöhen. Dennoch sieht sich der Prozess aufgrund der Komplexität der Beziehungen zwischen Medikamenten, Krankheiten und Zielproteinen innerhalb biologischer Netzwerke bemerkenswerten Herausforderungen gegenüber. Dieses Papier konzentriert sich darauf, die prädiktive Leistung von Modellen zur Beziehung zwischen Medikamenten und Krankheiten zu optimieren, indem potenzielle Verbindungen durch ein Glaubensnetzwerk-Rahmenwerk identifiziert werden. Der Ansatz ermöglicht die Auswahl des effektivsten Graphenpfads für jedes Medikament-Krankheit-Paar, wodurch die Vorhersagegenauigkeit durch Priorisierung kritischer biologischer Interaktionen verbessert wird. Durch die Nutzung eines Ensembles von vier Klassifikationsmethoden in Kombination mit einem Abstimmungsmechanismus gewährleistet das Glaubensnetzwerk hohe Anpassungsfähigkeit und Zuverlässigkeit über verschiedene Datensätze und Krankheitsarten hinweg. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene analytische Rahmen nicht nur überlegene Leistung erzielt, sondern auch hohe Zuverlässigkeit bei der Identifizierung potenzieller Medikament-Krankheit-Assoziationen. Fallstudien innerhalb des Papiers validieren weiter die Fähigkeit des Modells, vielversprechende Wirkstoffkandidaten für herausfordernde Krankheiten zu entdecken, was die praktische Bedeutung unterstreicht.
Le et al. (Tue,) haben diese Frage untersucht.