薬剤リポジショニングのためのバイオメディカルデータと計算モデル：包括的なレビュー

Biomedical data and computational models for drug repositioning: a comprehensive review.

• Huimin Luo
• Min Li
• Mengyun Yang
• Fang-Xiang Wu
• Yaohang Li
• Jianxin Wang

抄録

薬物リポジショニングは、予期せぬ有害事象の発生を回避しながら、従来の医薬品研究開発にかかるコストと期間を大幅に削減することができます。ハイスループット技術の急速な進歩と様々な生物学的データや医学的データの爆発的な増加に伴い、計算薬物リポジショニング法は、潜在的な薬物-標的相互作用や薬物-疾患相互作用を系統的に同定するための魅力的で強力な技術となっている。本レビューでは、まず、薬物、疾患、標的に関連する利用可能な生物医学データと公開データベースをまとめ、次に、既存の薬物リポジショニング技術について議論する。次に、既存の薬物リポジショニングアプローチについて議論し、古典的な機械学習、ネットワーク伝播、行列因数分解と補完、および深層学習に基づくモデルからなる基礎となる計算モデルに基づいてそれらをグループ化する。また、薬物リポジショニングで使用されている一般的な標準データセットと評価基準を包括的に分析し、ゴールドスタンダードデータセット上での様々な予測手法の簡単な比較を行う。最後に、バイオメディカルデータのノイズや不完全性を低減する問題、様々な計算薬物リポジショニング手法のアンサンブル、信頼性の高いネガティブサンプル選択法の設計の重要性、データのスパースネス問題に対処する新しい手法、大規模で包括的なベンチマークデータセットの構築、予測された相互作用の根本的なメカニズムの分析と説明を含む、計算薬物リポジショニングの課題についての簡単な議論でレビューを締めくくります。

Drug repositioning can drastically decrease the cost and duration taken by traditional drug research and development while avoiding the occurrence of unforeseen adverse events. With the rapid advancement of high-throughput technologies and the explosion of various biological data and medical data, computational drug repositioning methods have been appealing and powerful techniques to systematically identify potential drug-target interactions and drug-disease interactions. In this review, we first summarize the available biomedical data and public databases related to drugs, diseases and targets. Then, we discuss existing drug repositioning approaches and group them based on their underlying computational models consisting of classical machine learning, network propagation, matrix factorization and completion, and deep learning based models. We also comprehensively analyze common standard data sets and evaluation metrics used in drug repositioning, and give a brief comparison of various prediction methods on the gold standard data sets. Finally, we conclude our review with a brief discussion on challenges in computational drug repositioning, which includes the problem of reducing the noise and incompleteness of biomedical data, the ensemble of various computation drug repositioning methods, the importance of designing reliable negative samples selection methods, new techniques dealing with the data sparseness problem, the construction of large-scale and comprehensive benchmark data sets and the analysis and explanation of the underlying mechanisms of predicted interactions.

© The Author(s) 2020. Published by Oxford University Press. All rights reserved. For Permissions, please email: journals.permissions@oup.com.