A Needle in a Haystack: Leveraging Machine Learning for Drug-Mechanism of Action Identification across Existing Therapeutics, with Specific Applications for Drug Repurposing for Rare Diseases
Notice bibliographique
Résumé
Rare diseases are a prevalent problem within the healthcare sector, primarily due to the multitude of conditions and the limited profiling available for each. Consequently, developing novel therapeutics for rare diseases through traditional pipelines is fraught with risk and cost. The integration of machine learning into bioinformatics has facilitated the growth of in silico drug repurposing, where existing compounds are repositioned based on newly identified molecular targets. This study proposes a multi-class predictive model capable of accurately determining the mechanisms of action for existing compounds. By leveraging even limited rare disease profiles, the model aims to identify candidates for drug repurposing. Four supervised learning algorithms were trained using a combination of Clue and PubChem datasets. The results indicate that the random forest model boasts the best performance with an accuracy of 72.4% – comparable to existing literature. As all the top-performing models in this study were black-box, interpretability features of LIME and OpenAI API were integrated to ensure transparency in the recommendation of drug candidates, preparing the model for clinical integration. This model was then applied to a case study of Infantile Dystonia-Parkinson (IDP), where 105,552 compounds were screened for association with the condition. This study proposes pramipexole, bromocriptine, and ropinirole as candidate compounds for further investigation for IDP treatment. Due to the accuracy of both mechanism prediction and candidate generation, this computational model stands as a suitable approach for rare disease drug repurposing.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».