基于链路预测的协同药物组合推荐研究:面向疾病并发症诊疗

doi:10.13266/j.issn.0252-3116.2021.12.012

图书情报工作 ›› 2021, Vol. 65 ›› Issue (12): 122-129.DOI: 10.13266/j.issn.0252-3116.2021.12.012

基于链路预测的协同药物组合推荐研究:面向疾病并发症诊疗

雷鸣¹, 夏梦鸽¹, 汪雪锋¹, 刘佳²

1. 北京理工大学管理与经济学院北京 100081;
2. 中国传媒大学媒体融合与传播国家重点实验室北京 100024

收稿日期:2020-07-31 修回日期:2021-02-11 出版日期:2021-06-20 发布日期:2021-07-03
通讯作者: 汪雪锋(ORCID:0000-0002-4857-6944),教授,博士,通讯作者,E-mail:wxf5122@bit.edu.cn
作者简介:雷鸣(ORCID:0000-0003-1746-4090),博士研究生;夏梦鸽(ORCID:0000-0003-0612-5659),硕士研究生;刘佳(ORCID:0000-0003-2627-933X),副教授,在站博士后。
基金资助:
本文系国家自然科学基金面上项目"生物医学领域潜在颠覆性技术识别方法研究"（项目编号：72074020）研究成果之一。

Research on Drug Combination Recommendation Based on Link Prediction for Concurrent Diseases Treatment

Lei Ming¹, Xia Mengge¹, Wang Xuefeng¹, Liu Jia²

1. School of Management and Economics, Beijing Institute of Technology, Beijing 100081;
2. State Key Laboratory of Media Convergence and Communication, Communication University of China, Beijing 100024

Received:2020-07-31 Revised:2021-02-11 Online:2021-06-20 Published:2021-07-03

摘要/Abstract

摘要： [目的/意义] 药物组合相比单一药物在临床治疗中存在多种优势，但药物数量的快速增长为药物组合筛选和推荐带来挑战，因此设计有效的预测方法为药物研发人员推荐更易产生协同作用的药物组合从而提高筛选效率具有重要意义。[方法/过程] 面向疾病并发症诊疗需求，基于链路预测构建协同药物组合推荐模型，首先利用SAO语义挖掘识别医学文献中的并发症信息，在此基础上利用医学数据库构建"疾病-药物-靶点"异质网络，并引入链路预测方法对网络进行药物作用机制的相似性评估，预测哪些药物组合更可能产生协同作用，进而依据预测结果针对某个疾病或某对并发症进行药物组合推荐。[结果/结论] 肠道疾病数据实证分析结果表明协同药物组合预测模型具有有效性和实用性。

关键词: SAO语义挖掘, 链路预测, 社会网络分析, 药物组合推荐, 疾病并发症

Abstract: [Purpose/significance] Compared with single drug, drug combination has many advantages in clinical treatment. But the growth of drug quantity brings difficulties to drug combination screening experiment. Therefore, it is of great significance to design an effective prediction method to recommend drug combination which is more likely to produce synergistic effect for pharmaceutical staff, so as to improve the screening efficiency.[Method/process] For the need of concurrent diseases treatment, proposed a drug combination recommendation model based on link prediction, and used the SAO semantic mining to identify the complications in medical literature. On this basis, we used the medical database to build the heterogeneous "disease-drug-target" network, and introduced link prediction to evaluate the similarity of drug action mechanism, and predicted which drug combinations were more likely to have synergistic effect. Based on the prediction results, recommended a combination of drugs for a certain disease or a pair of complications.[Result/conclusion] The empirical analysis of intestinal disease data verified the practicality and efficiency of the model.

Key words: SAO semantic mining, link prediction, social network analysis, drug combination recommendation, disease complications

中图分类号:

G250

雷鸣, 夏梦鸽, 汪雪锋, 刘佳. 基于链路预测的协同药物组合推荐研究:面向疾病并发症诊疗[J]. 图书情报工作, 2021, 65(12): 122-129.

Lei Ming, Xia Mengge, Wang Xuefeng, Liu Jia. Research on Drug Combination Recommendation Based on Link Prediction for Concurrent Diseases Treatment[J]. Library and Information Service, 2021, 65(12): 122-129.

参考文献

[1] SUN X, VILAR S, TATONETTI N P. High-throughput methods for combinatorial drug discovery[J]. Science translational medicine, 2013, 5(205):205rv1.
[2] 陈畅, 马兴, 满国峰,等. 组合药物——现代药物研发的新趋势[J]. 中国实验方剂学杂志, 2012, 18(14):310-312.
[3] SUCHER N J. Searching for synergy in silico, in vitro and in vivo[J]. Synergy, 2014, 1(1):30-43.
[4] ZOU J, JI P, ZHAO Y L, et al. Neighbor communities in drug combination networks characterize synergistic effect[J]. Molecular biosystems, 2012, 8(12):3185-3196.
[5] ALAIMO S, BONNICI V, CANCEMI D, et al. DT-Web:a Web-based application for drug-target interaction and drug combination prediction through domain-tuned network-based inference[J]. BMC system biology, 2015,9(S3):S4-S4.
[6] PANG K, WAN Y W, CHOI W T, et al. Combinatorial therapy discovery using mixed integer linear programming[J]. Bioinformatics, 2014,30(10):1456-1463.
[7] 吕琳媛. 复杂网络链路预测[J]. 电子科技大学学报, 2010(5):651-661.
[8] SID, REDNER. Networks:teasing out the missing links[J]. Nature, 2008, 453(7191):47-48.
[9] YU H, BRAUN P, YILDIRIM M A, et.al. High-quality binary protein interaction map of the yeast interactome network[J]. Science, 2008, 322(5898):104-110.
[10] 贾成龙. 基于网络模型和多源数据集成预测长非编码RNA-疾病关联关系[D]. 西安:西安电子科技大学, 2017.
[11] 杨超,朱东华,衡晓帆,等. 基于语法树的SAO结构识别方法研究[J]. 图书情报工作, 2016,60(21):113-121.
[12] 杨超, 朱东华, 汪雪锋,等. 专利技术主题分析:基于SAO结构的LDA主题模型方法[J]. 图书情报工作, 2017,61(3):86-96.
[13] YOON J. Identifying technological competition trends for R&D planning using dynamic patent maps:SAO-based content analysis[J]. Scientometrics, 2013,94(1):313-331.
[14] 翟东升, 蔡文浩, 张杰,等. 基于图相似度的专利侵权检测方法研究[J]. 图书情报工作, 2018,62(5):97-105.
[15] 丁云轩, 闫雷. 数据挖掘软件SemRep的评价[J]. 中华医学图书情报杂志, 2008, 17(6):71-75.
[16] XU R, LI L, WANG Q. dRiskKB:a large-scale disease-disease risk relationship knowledge base constructed from biomedical text[J]. BMC bioinformatics, 2014, 15:105.
[17] XU K J, SONG J, ZHAO X M. The drug cocktail network[J]. BMC system biology, 2012, 6(S1):S5.
[18] CHEN X, REN B, CHEN M, et al. NLLSS:predicting synergistic drug combinations based on semi-supervised learning[J]. PLoS computational biology, 2016, 12(7):e1004975.
[19] JANSEN G, LEE A Y, EPP E, et al. Chemogenomic profiling predicts antifungal synergies[J]. Molecular systems biology, 2009, 5(1):338.
[20] 刘彦斌. 组合药物数据库构建及药物协同作用机理分析[D]. 杭州:浙江大学, 2011.
[21] RITAB A, ANJA T, JACOB B, et al. Species-specific activity of antibacterial drug combinations[J]. Nature, 2018, 559(7713):259-263.
[22] HANLEY J A, MCNEIL B J. The meaning and use of the area under a receiver operating characteristic (ROC) curve[J]. Radiology, 1982, 143(1):29-36.
[23] 蒋智华. 艾滋病合并隐孢子虫感染的研究进展[J]. 中国艾滋病性病, 2014, 20(12):955-958.
[24] CRUZ P D, PRIDEAUX L, WAGNER J, et al. Characterization of the gastrointestinal microbiota in health and inflammatory bowel disease[J]. Inflammatory bowel diseases, 2012(2):372-390.
[25] FESTEN E A M, GOYETTE P, GREEN T, et al. A meta-analysis of genome-wide association scans identifies IL18RAP, PTPN2, TAGAP, and PUS10 as shared risk loci for crohn's disease and celiac disease[J]. PLoS genetics, 2011, 7(1):e1001283.

基于链路预测的协同药物组合推荐研究:面向疾病并发症诊疗

Research on Drug Combination Recommendation Based on Link Prediction for Concurrent Diseases Treatment

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	刘明信, 李丹丹, 李荣, 江洪波, 毛开云. 专利视阈下产业技术创新合作网络演化分析——以肿瘤疫苗为例[J]. 图书情报工作, 2022, 66(9): 117-127.
[2]	吉海颖, 戚桂杰, 李娜. 开放式创新平台用户交互对隐性社区的影响研究[J]. 图书情报工作, 2022, 66(5): 105-115.
[3]	马铭, 王超, 许海云, 龚兵营, 周勇. 面向语义信息分析的多层次技术演化轨迹识别方法研究[J]. 图书情报工作, 2022, 66(4): 103-117.
[4]	王林旭, 王军. 网络分析在数字人文中的应用框架[J]. 图书情报工作, 2022, 66(20): 50-61.
[5]	高楠, 周庆山. 基于有向合著网络的核心团队挖掘研究——以图情领域为例[J]. 图书情报工作, 2021, 65(20): 81-91.
[6]	池毛毛, 潘美钰, 王伟军. 共享住宿与酒店用户评论文本的跨平台比较研究:基于LDA的主题社会网络和情感分析[J]. 图书情报工作, 2021, 65(2): 107-116.
[7]	赵文静, 张琳, 尚媛媛, 黄颖. 国际公共卫生紧急事件下中美科学合作模式比较分析[J]. 图书情报工作, 2021, 65(18): 58-70.
[8]	阳昕, 张敏, 廖剑岚, 邵诚敏. 社会网络视角下的高校图书馆电子资源利用研究——以复旦大学图书馆为例[J]. 图书情报工作, 2021, 65(15): 91-99.
[9]	岳增慧, 许海云, 赵敏. 强弱连接对学科引证知识扩散动态链路预测的影响研究[J]. 图书情报工作, 2021, 65(13): 66-76.
[10]	范文洁, 李忠凯, 黄水清. 基于社会网络分析的《左传》战争计量及可视化研究[J]. 图书情报工作, 2020, 64(6): 90-99.
[11]	李东巧, 陈芳, 韩涛, 杨艳萍, 王学昭, 王燕鹏, Cynthia Liu, Yingzhu Li. 基于二模复杂网络的隐性知识发现方法研究——以潜在药物靶点挖掘为例[J]. 图书情报工作, 2020, 64(21): 120-129.
[12]	王燕鹏, 韩涛, 陈芳. 融合文献知识聚类和复杂网络的关键技术识别方法研究[J]. 图书情报工作, 2020, 64(16): 105-113.
[13]	卢恒, 张向先, 张莉曼, 陶兴. 会话分析视角下虚拟学术社区用户交互行为特征研究[J]. 图书情报工作, 2020, 64(13): 80-89.
[14]	段尧清, 尚婷, 周密. 我国政务大数据政策扩散特征与主题分析[J]. 图书情报工作, 2020, 64(13): 133-139.
[15]	张海涛, 徐海玲, 张枭慧, 武慧娟. 国内外图书情报领域用户画像研究现状及展望[J]. 图书情报工作, 2019, 63(7): 127-134.