Graph Network-Based Analysis of Disease-Gene-Drug Associations: Zero-Shot Disease-Drug Prediction and Analysis Strategies
Notice bibliographique
Résumé
Abstract Existing drug repurposing methods have key limitations, primarily stemming from their reliance on known direct associations between diseases and drugs for supervised learning, as well as the need for large amounts of prior disease or drug information or feature data. In practice, many disease-drug connections remain unknown, and prior information is often complex and difficult to acquire and organize, limiting the applicability of these models. Furthermore, these models generally lack interpretability, making it difficult for experts to assess the reliability of predictions based solely on standard metrics, which raises doubts about the trustworthiness of their results. To address these challenges, we propose ZS-GNT, an innovative new workflow for zero-shot drug repurposing that leverages a novel and ingenious graph data meta-path linking scheme, which does not require any known disease-drug associations or their prior features. This approach is implemented using the Graph Neural Transformer (GNT) algorithm. The method infers disease-drug relationships indirectly through gene action, utilizing disease-gene associations and gene-drug interactions. It also generates a top drug-top gene linkage map, providing clinicians with a visual tool to assess the plausibility of suggested drugs before advancing to clinical trials. Experimental results show that, under the same linking scheme, the GNT algorithm achieved interaction link prediction accuracies of 95.86%, 99.28%, and 99.54% for three diseases, surpassing four other baseline methods. In a test involving a random selection of 100 diseases for drug discovery, among the top 5 recommended drugs from the candidates identified by ZS-GNT from a pool of 33,251 total drugs, the validation rate reached 47.05%, demonstrating the model’s effectiveness in drug discovery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».