文献

J-GLOBAL ID：201702241175289137   整理番号：17A0307037

化学的,生物学的,表現型およびネットワークデータを統合することによる潜在的薬物-薬物相互作用の予測

Predicting potential drug-drug interactions by integrating chemical, biological, phenotypic and network data

著者 (6件)： ZHANG Wen (Wuhan Univ.) ,  CHEN Yanlin (Wuhan Univ.) ,  LIU Feng (Wuhan Univ.) ,  LUO Fei (Wuhan Univ.) ,  TIAN Gang (Wuhan Univ.) ,  LI Xiaohong (Wuhan Univ.)
資料名： BMC Bioinformatics (Web)  (BMC Bioinformatics (Web))
巻： 18  号： Jan  ページ： 18:18 (WEB ONLY)  発行年： 2017年01月 
JST資料番号： U7025A  ISSN： 1471-2105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 背景:薬物-薬物相互作用(DDI)は,新薬発見における主要な関心の一つである。潜在的DDIの正確な予測は,薬物の全ライフサイクルにおける予想外の相互作用を減らすことを助けることができ,薬物安全性監視にとって重要である。結果:多くのDDIが臨床試験において検出あるいは観察されていないので,本研究では観察されていないあるいは検出されていないDDIを予測することを目的にした。本研究において,薬物副構造データ,薬物標的データ,薬物酵素データ,薬物トランスポーターデータ,薬物経路データ,薬物指標データ,薬物副作用データ,薬物オフサイド効果データおよび既知薬物-薬物相互作用といった薬物-薬物相互作用に影響を及ぼすかもしれない様々な薬物データを集めた。種々のデータに基づいて予測モデルを構築するために,近傍推薦者法,ランダムウォーク法およびマトリックス摂動法の三つの代表的方法を採用した。従って,DDI予測のための異なる情報源の有用性を評価する。さらに,重み付け平均アンサンブル則と分類子アンサンブル則を含む適切なアンサンブル則を持つ異なるモデルを統合する柔軟な枠組みを提出し,より優れた性能を達成するためのアンサンブルモデルを開発した。結論:本研究は種々のデータソースが多様な情報を提供すること,既知のDDIに基づくDDIネットワークはDDI予測のための最も重要な情報の一つであることを実証した。本アンサンブル法は,個々の方法よりも優れた性能を作り出すことができ,既存の最新式方法より性能が優れている。データセットおよびソースコードは,https://github.com/zw9977129/drug-drug-interaction/にて利用できる。(翻訳著者抄録)

シソーラス用語： *薬物相互作用 ,  予測 ,  *製品開発 ,  ライフサイクル ,  ターゲット ,  副作用 ,  膜タンパク質 ,  *モデル ,  予測モデル ,  予測技法 ,  *機械学習
準シソーラス用語： *新薬開発 ,  薬物標的 ,  薬物副作用 ,  薬物トランスポーター ,  *ランダムウォークモデル ,  アンサンブル法 ,  *アンサンブル学習

分類 (3件)： 薬物の研究法  (GV01020U) ,  薬物の相互作用  (GV01070X) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (7件)： 化学 ,  生物学 ,  表現型 ,  統合 ,  薬物 ,  薬物相互作用 ,  予測