DOI: https://doi.org/10.1038/s41746-025-02290-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41519968
تاريخ النشر: 2026-01-10
المؤلف: Zhenggang Wang وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
التهاب المفاصل العظمي (OA) هو مرض مشترك شائع ومعوق لا توجد له حاليًا علاجات معتمدة لتعديل المرض. تقدم هذه الدراسة نهجًا جديدًا يستخدم رسم بياني للمعرفة لتحديد العلاجات المحتملة لـ OA من خلال دمج بيانات طبية حيوية واسعة. تم تطوير رسم بياني للمعرفة حول التهاب المفاصل العظمي (OKG) من رسم بياني للمعرفة لإعادة استخدام الأدوية (DRKG) وتم تعزيزه بارتباطات جينية سببية مستمدة من دراسة ارتباط جينوم واسعة النطاق (GWAS) تشمل ما يقرب من 2 مليون فرد.
يقترح المؤلفون CausalPathKG، وهو نموذج تضمين رسم بياني للمعرفة يعتمد على RotatE، والذي يتضمن عدة ابتكارات محددة للمجال: (i) حواف جينية OA موزونة تعكس أهمية GWAS، (ii) مصطلح تنظيم قائم على المسار لتعزيز الاتصال السببي بين الأدوية والجينات المرتبطة بـ OA، (iii) انتباه متعدد القفزات في الرسم البياني لإعطاء الأولوية للمسارات المعلوماتية، و(iv) أخذ عينات سلبية ذاتية عدائية مع تلوثات متسقة مع النوع لتدريب قوي. تم تدريب CausalPathKG للتنبؤ بالروابط المفقودة مع حجب الحواف المعروفة المرتبطة بـ OA للاختبار. أظهر النموذج أداءً متفوقًا مقارنة بأسس TransE وRotatE في التنبؤ بعلاجات OA، محققًا دقة محسنة في التنبؤ بالروابط وأداء تصنيفي. كشفت دراسات الحالة أيضًا أن الأدوية المعاد استخدامها ذات الترتيب الأعلى تتفاعل مع الجينات والمسارات الرئيسية المرتبطة بـ OA، مما يبرز إمكانية دمج الأدلة الجينية في نماذج رسم بياني المعرفة لتسهيل اكتشاف العلاجات.
مقدمة
في هذا القسم، يقدم المؤلفون النتائج الرئيسية لأبحاثهم حول نموذج CausalPathKG لتقييم روابط الأدوية والأمراض في التهاب المفاصل العظمي (OA). يذكرون مقاييس أداء متنوعة، بما في ذلك متوسط الترتيب العكسي (MRR)، وHits@1، 3، 10، ومنطقة تحت منحنى التشغيل (ROC-AUC) ومنحنيات الدقة والاسترجاع (PR-AUC). يتفوق CausalPathKG على نماذج تضمين رسم بياني المعرفة الأساسية (KGE)، محققًا MRR قدره 0.37 ± 0.01 مقارنة بأفضل أساس KGE، ConvE، الذي سجل 0.33 ± 0.01. يظهر النموذج تفوقًا مستمرًا عبر مقاييس الترتيب والتصنيف، خاصة في السياقات المحددة لـ OA، مع الحفاظ أيضًا على كفاءة الموارد العملية أثناء التدريب.
يستكشف المؤلفون أيضًا قابلية تعميم CausalPathKG عبر مجموعات بيانات طبية حيوية مختلفة، مشيرين إلى أنه بينما يتفوق النموذج في OA، فإن أدائه أكثر تواضعًا في سياقات أخرى عندما يتم تعطيل مكونات معينة مثل وزن الجينات. يبرزون أهمية كل مكون من مكونات النموذج من خلال دراسات الإزالة، مما يكشف أن إزالة ميزات معينة تؤدي إلى تدهور كبير في الأداء. بالإضافة إلى ذلك، يناقش البحث تحليل عشوائي من نوع مندلي لعينة مزدوجة يحدد ثمانية أهداف دوائية من المستوى الأول مع اتجاهات سببية متسقة، مما يربط توقعات CausalPathKG بالأدلة الجينية. تؤكد النتائج قدرة النموذج على تقديم توقعات قابلة للتفسير وإمكاناته للتطبيقات العملية في إعادة استخدام الأدوية.
طرق
يدمج نموذج CausalPathKG عدة مكونات متقدمة لتعزيز أدائه في مهام الاستدلال السببي. يستخدم تضمينات ذات قيم معقدة لجميع الكيانات والعلاقات، مع دمج علاقة ارتباط سببية جديدة. يستخدم النموذج وظيفة تسجيل RotatE لتقييم العلاقات، والتي تعتبر محورية لإطاره التشغيلي.
بالإضافة إلى ذلك، يتميز النموذج بمكونات مخصصة مصممة لتحسين التعلم والاستدلال. تشمل هذه آلية وزن الحواف في دالة الخسارة، ومصطلح تنظيم المسار للحفاظ على السلامة الهيكلية، ووحدة انتباه المسار للتركيز على المسارات ذات الصلة، واستراتيجية أخذ عينات سلبية محسنة لتحسين قوة عملية التدريب. تساهم هذه العناصر مجتمعة في قدرة النموذج على التقاط وتمثيل العلاقات السببية بشكل فعال داخل رسم بياني المعرفة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج من غير المحتمل أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تذكر الدراسة أحجام التأثير التي تظهر الأهمية العملية للنتائج، مما يعزز الآثار النظرية التي تم مناقشتها في الأقسام السابقة.
علاوة على ذلك، يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا للاتجاهات الملاحظة. من الجدير بالذكر أن تحليل التباين (ANOVA) يشير إلى أن مجموعات العلاج أظهرت اختلافات واضحة في استجابتها، مع تأكيد الاختبارات اللاحقة لمقارنات زوجية محددة. بشكل عام، تساهم النتائج في الجسم المعرفي القائم وتقترح سبلًا للبحث المستقبلي في هذا المجال.
مناقشة
في هذه الدراسة، يقدم المؤلفون رسم بياني معرفة التهاب المفاصل العظمي (OKG) ونموذج CausalPathKG، الذي يستفيد من الأدلة الجينية لتعزيز توقع الروابط لإعادة استخدام الأدوية في التهاب المفاصل العظمي (OA). يدمج OKG بيانات من مصادر متنوعة، بما في ذلك دراسة ارتباط جينوم واسعة النطاق (GWAS) تشمل حوالي 1.96 مليون فرد، لتأسيس ارتباطات سببية بين الجينات وOA. يستخدم النموذج تضمينات رسم بياني المعرفة (KGE) مع استدلال قائم على المسار، مع التركيز على الاتصالات ذات القفزتين بين الأدوية والجينات وOA لتحسين دقة التنبؤ. تشير النتائج الرئيسية إلى أن دمج الأدلة الجينية يعزز بشكل كبير أداء النموذج، كما يتضح من مقاييس مثل متوسط الترتيب العكسي (MRR) وHits@k، متفوقًا على الأسس القياسية لـ KGE وبقي متنافسًا مع الشبكات العصبية الرسومية العلائقية.
كما يبرز المؤلفون الآثار السريرية لنتائجهم، مقترحين أن النموذج يمكن أن يعطي الأولوية لمرشحي الأدوية بناءً على اتصالاتهم بجينات التأثير المرتبطة بـ OA، مما يوجه تصميم التجارب ومراجعات السلامة. ومع ذلك، يعترفون بالقيود، بما في ذلك التحيزات المحتملة في رسوم بيانية المعرفة الطبية الحيوية والحاجة إلى التحقق الدقيق من التوقعات. يُقترح أن تشمل الأعمال المستقبلية التحقق الاستباقي باستخدام السجلات الصحية الإلكترونية وتطوير تقنيات تعلم الرسم البياني السببي لتحسين قدرات النموذج التنبؤية. بشكل عام، تؤكد هذه الأبحاث على أهمية دمج البيانات الجينية البشرية في الرسوم البيانية الطبية الحيوية لتسهيل استراتيجيات إعادة استخدام الأدوية الأكثر فعالية لـ OA.
DOI: https://doi.org/10.1038/s41746-025-02290-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41519968
Publication Date: 2026-01-10
Author(s): Zhenggang Wang et al.
Primary Topic: Computational Drug Discovery Methods
Overview
Osteoarthritis (OA) is a common and debilitating joint disease for which there are currently no approved disease-modifying treatments. This study introduces a novel approach utilizing a knowledge graph to identify potential OA treatments by integrating extensive biomedical data. The Osteoarthritis Knowledge-graph (OKG) is developed from the Drug Repurposing Knowledge-graph (DRKG) and enhanced with causal genetic associations derived from a genome-wide association study (GWAS) involving nearly 2 million individuals.
The authors propose CausalPathKG, a knowledge-graph embedding model based on RotatE, which incorporates several domain-specific innovations: (i) weighted gene OA edges that reflect GWAS significance, (ii) a path-based regularization term to promote causal connectivity between drugs and OA-related genes, (iii) multi-hop graph attention to prioritize informative paths, and (iv) self-adversarial negative sampling with type-consistent corruptions for robust training. CausalPathKG was trained to predict missing links while withholding known OA-related edges for testing. The model demonstrated superior performance compared to TransE and RotatE baselines in predicting OA treatments, achieving enhanced link prediction accuracy and classification performance. Case studies further revealed that the top-ranked repurposed drugs interact with key OA-associated genes and pathways, underscoring the potential of integrating genetic evidence into knowledge-graph models to facilitate therapeutic discovery.
Introduction
In this section, the authors present the main findings of their research on the CausalPathKG model for evaluating drug-disease links in osteoarthritis (OA). They report various performance metrics, including Mean Reciprocal Rank (MRR), Hits@1, 3, 10, and area under the receiver operating characteristic (ROC-AUC) and precision-recall (PR-AUC) curves. CausalPathKG outperforms baseline knowledge graph embedding (KGE) models, achieving an MRR of 0.37 ± 0.01 compared to the best KGE baseline, ConvE, which scored 0.33 ± 0.01. The model demonstrates consistent superiority across ranking and classification metrics, particularly in OA-specific contexts, while also maintaining practical resource efficiency during training.
The authors also explore the generalizability of CausalPathKG across different biomedical datasets, noting that while the model excels in OA, its performance is more modest in other contexts when specific components like gene weighting are disabled. They highlight the importance of each model component through ablation studies, revealing that removing certain features significantly degrades performance. Additionally, the paper discusses a two-sample Mendelian randomization analysis that identifies eight Tier-1 drug targets with consistent causal directions, linking the predictions of CausalPathKG with genetic evidence. The results underscore the model’s ability to provide interpretable predictions and its potential for practical applications in drug repurposing.
Methods
The CausalPathKG model integrates several advanced components to enhance its performance in causal inference tasks. It employs complex-valued embeddings for all entities and relations, incorporating a novel causal association relation. The model utilizes the RotatE scoring function to evaluate relationships, which is pivotal for its operational framework.
Additionally, the model features custom components designed to optimize learning and inference. These include an edge weighting mechanism in the loss function, a path regularization term to maintain structural integrity, a path attention module to focus on relevant paths, and an enhanced negative sampling strategy to improve the robustness of the training process. Collectively, these elements contribute to the model’s ability to effectively capture and represent causal relationships within the knowledge graph.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical procedures employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are unlikely to be due to chance. Additionally, the study reports effect sizes that demonstrate the practical significance of the findings, reinforcing the theoretical implications discussed in previous sections.
Furthermore, the results are illustrated through various figures and tables, which provide a visual representation of the trends observed. Notably, the analysis of variance (ANOVA) results indicate that the treatment groups exhibited distinct differences in their responses, with post-hoc tests confirming specific pairwise comparisons. Overall, the findings contribute to the existing body of knowledge and suggest avenues for future research in the field.
Discussion
In this study, the authors present the Osteoarthritis Knowledge Graph (OKG) and the CausalPathKG model, which leverage genetic evidence to enhance link prediction for drug repurposing in osteoarthritis (OA). The OKG integrates data from various sources, including a genome-wide association study (GWAS) involving approximately 1.96 million individuals, to establish causal associations between genes and OA. The model employs knowledge graph embeddings (KGE) with path-based reasoning, emphasizing two-hop connections between drugs, genes, and OA to improve predictive accuracy. Key findings indicate that incorporating genetic evidence significantly enhances model performance, as evidenced by metrics such as mean reciprocal rank (MRR) and Hits@k, outperforming standard KGE baselines and remaining competitive with relational graph neural networks.
The authors also highlight the clinical implications of their findings, suggesting that the model can prioritize drug candidates based on their connections to OA effector genes, thereby guiding trial design and safety reviews. However, they acknowledge limitations, including potential biases in biomedical knowledge graphs and the need for careful validation of predictions. Future work is proposed to include prospective validation using electronic health records and the development of causal graph learning techniques to further refine the model’s predictive capabilities. Overall, this research underscores the importance of integrating human genetic data into biomedical graphs to facilitate more effective drug repurposing strategies for OA.