DOI: https://doi.org/10.1038/s41598-025-85947-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39814937
تاريخ النشر: 2025-01-15
المؤلف: Victor O. K. Li وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
يقدم القسم طريقة جديدة لإعادة استخدام الأدوية مدفوعة بالذكاء الاصطناعي تُسمى DeepDrug، تهدف إلى تحديد تركيبات الأدوية الفعالة لعلاج مرض الزهايمر (AD). على الرغم من ظهور المناعية الأميلويدية، لا يزال هناك حاجة ماسة لعلاجات فعالة لمرض الزهايمر. تعزز DeepDrug منهجيات إعادة استخدام الأدوية التقليدية من خلال دمج المعرفة الخبيرة لتوسيع نطاق الأهداف المرشحة، والتي تشمل الآن الجينات الطويلة، والمسارات المناعية والعمرية، وعلامات الطفرات الجسدية المرتبطة بمرض الزهايمر.
بالإضافة إلى ذلك، تستخدم DeepDrug رسمًا بيانيًا حيويًا موجهًا غير متجانس مع توقيع يلتقط المسارات الأساسية المرتبطة بمرض الزهايمر، مع استخدام وزن العقد والحواف لتعزيز تمثيل العلاقات داخل البيانات. تقوم الطريقة بتشفير هذا الرسم البياني باستخدام شبكة عصبية رسومية، مما يسهل تحديد تركيبات الأدوية عالية الترتيب من خلال عملية اختيار منهجية تعتمد على عتبات العائد المتناقص. تحدد الدراسة تركيبة واعدة من خمسة أدوية—توفاسيتينيب، نيراباريب، باريستينيب، إمباغليفلوزين، ودوكسيكالسيفيرول—تستهدف الالتهاب العصبي، والخلل الوظيفي الميتوكوندري، واستقلاب الجلوكوز، وكلها مرتبطة بمرض الزهايمر. لا توفر هذه الطريقة المبتكرة إطارًا لاكتشاف تركيبات الأدوية في مرض الزهايمر فحسب، بل لها أيضًا تطبيقات محتملة في أمراض تنكس عصبي أخرى.
طرق
إطار عمل DeepDrug لإعادة استخدام الأدوية لعلاج مرض الزهايمر (AD) مُنظم في ثلاث مراحل. في البداية، يتم بناء رسم بياني حيوي موجه غير متجانس، يربط بين الجينات، والبروتينات، وأهداف الأدوية، والأدوية ليعكس الشبكة المعقدة لعلم أمراض الزهايمر. يتضمن هذا الرسم البياني أربعة أنواع من العقد (الجينات، البروتينات، الأهداف، والأدوية) وحواف متنوعة تمثل التفاعلات بينها، مثل اتصالات الجين-البروتين واتصالات الدواء-الهدف. يتم تحديد الجينات الرئيسية والأدوية المعتمدة المتعلقة بمرض الزهايمر، ويتم إجراء تحليل إثراء المسارات لتوضيح أدوار هذه الجينات ضمن شبكة التفاعل بين البروتينات (PPI). تعمل دمج المعرفة الخبيرة على تحسين الرسم البياني من خلال تحديد اتجاهات الحواف وأوزانها بناءً على أهمية العقد.
في المرحلة الثانية، يتم استخدام شبكة عصبية رسومية (GNN) لتعلم هيكل الرسم البياني الحيوي، وتحويل عقد الأدوية والجينات إلى تمثيلات متجهية ذات أبعاد أقل. يتم تدريب هذا النموذج لالتقاط العلاقات المعقدة داخل الرسم البياني، معززة بتنظيم موجه بواسطة المسارات الخاصة بالمجال لضمان الصلة البيولوجية. تتضمن المرحلة النهائية تقييم واختيار مرشحي الأدوية، مما يؤدي في النهاية إلى تحديد تركيبات الأدوية المثلى. يعزز تصميم الإطار علاقة تآزرية بين الخبرة في المجال والذكاء الاصطناعي، مما يسمح بتحسين مستمر للنموذج بناءً على رؤى الخبراء وأحدث المعرفة في هذا المجال، وبالتالي تحسين دقة وموثوقية جهود إعادة استخدام الأدوية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على الاتجاهات البيانية المهمة، والتحليلات الإحصائية، وأي علاقات ملحوظة بين المتغيرات. غالبًا ما تكون النتائج مصحوبة بوسائل بصرية مثل الرسوم البيانية أو الجداول لتعزيز الوضوح والفهم.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مقارنتها بالأدبيات الموجودة لوضع مساهماتهم في سياق المجال. علاوة على ذلك، يتم عادةً الاعتراف بأي قيود واجهت خلال عملية البحث، مما يوفر نظرة شاملة على النتائج وأهميتها بالنسبة للأسئلة البحثية العامة المطروحة في الدراسة.
المناقشة
في هذه الدراسة، تم استخدام منهجية DeepDrug لتحديد تركيبة رائدة من خمسة أدوية معاد استخدامها لعلاج مرض الزهايمر (AD)، مما أسفر عن قائمة أولويات تضم 15 مرشحًا دوائيًا. تم تسليط الضوء على المرشح الأعلى، توفاسيتينيب، إلى جانب مثبطات JAK الأخرى (فيلغوتينيب وباريستينيب)، لإمكانية تقليل الالتهاب العصبي المرتبط بعلم أمراض الزهايمر. ومن الجدير بالذكر أنه على الرغم من أن توفاسيتينيب لم يظهر فعالية في تقليل حدوث مرض الزهايمر لدى مرضى التهاب المفاصل الروماتويدي، إلا أن دوره في العلاج المركب لا يزال بحاجة إلى الاستكشاف. تؤكد الدراسة أيضًا على أهمية الاعتبارات الخاصة بالمرحلة في علاج مرض الزهايمر، خاصة فيما يتعلق بتعديل الالتهام الذاتي، الذي يمكن أن يكون له تأثيرات متباينة اعتمادًا على تقدم المرض.
تم اختيار التركيبة الرائدة المحددة—توفاسيتينيب، نيراباريب، باريستينيب، إمباغليفلوزين، ودوكسيكالسيفيرول—استنادًا إلى آليات عملها ذات الصلة بمرض الزهايمر، بما في ذلك تعديل الاستجابات الالتهابية والمسارات الأيضية. تم دعم قوة هذه التركيبة من خلال التحليل الإحصائي، مما يشير إلى تأثيرات تآزرية كبيرة مقارنةً بتركيبات أخرى. علاوة على ذلك، استخدمت الدراسة تقنيات الذكاء الاصطناعي المتقدمة لتعزيز جهود إعادة استخدام الأدوية، مع معالجة التحديات مثل دمج المعرفة الخاصة بالمجال وتحسين تركيبات الأدوية عالية الترتيب. بشكل عام، تشير النتائج إلى طريق واعد لعلاج مرض الزهايمر من خلال تركيبة موصوفة جيدًا من الأدوية الموجودة، مما يستدعي مزيدًا من التحقق التجريبي.
DOI: https://doi.org/10.1038/s41598-025-85947-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39814937
Publication Date: 2025-01-15
Author(s): Victor O. K. Li et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The section presents a novel AI-driven drug-repurposing method named DeepDrug, aimed at identifying effective drug combinations for treating Alzheimer’s Disease (AD). Despite the emergence of amyloid immunotherapy, there remains a critical need for effective AD treatments. DeepDrug enhances traditional drug-repurposing methodologies by integrating expert knowledge to broaden the scope of candidate targets, which now includes long genes, immunological and aging pathways, and somatic mutation markers linked to AD.
Additionally, DeepDrug utilizes a signed directed heterogeneous biomedical graph that captures essential pathways associated with AD, employing node and edge weighting to enhance the representation of relationships within the data. The method encodes this graph using a Graph Neural Network, facilitating the identification of high-order drug combinations through a systematic selection process based on diminishing return thresholds. The study identifies a promising five-drug combination—Tofacitinib, Niraparib, Baricitinib, Empagliflozin, and Doxercalciferol—targeting neuroinflammation, mitochondrial dysfunction, and glucose metabolism, all of which are implicated in AD pathology. This innovative approach not only provides a framework for drug combination discovery in AD but also has potential applications in other neurodegenerative diseases.
Methods
The DeepDrug framework for Alzheimer’s disease (AD) drug repurposing is structured in three stages. Initially, a heterogeneous signed directed biomedical graph is constructed, which interlinks genes, proteins, drug targets, and drugs to reflect the complex network of AD pathology. This graph includes four types of nodes (genes, proteins, targets, and drugs) and various edges representing interactions among them, such as gene-protein and drug-target connections. Key genes and approved drugs related to AD are identified, and pathway enrichment analysis is conducted to elucidate the roles of these genes within the protein-protein interaction (PPI) network. The integration of expert knowledge further refines the graph by establishing edge directions and weights based on the significance of the nodes.
In the second stage, a Graph Neural Network (GNN) is employed to learn the structure of the biomedical graph, transforming drug and gene nodes into lower-dimensional vector representations. This model is trained to capture intricate relationships within the graph, enhanced by domain-specific pathway-guided regularization to ensure biological relevance. The final stage involves scoring and selecting drug candidates, ultimately identifying optimal drug combinations. The framework’s design fosters a synergistic relationship between domain expertise and AI, allowing for continuous refinement of the model based on expert insights and the latest knowledge in the field, thereby improving the accuracy and reliability of drug repurposing efforts.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data trends, statistical analyses, and any observed relationships between variables. The results are often accompanied by visual aids such as graphs or tables to enhance clarity and comprehension.
In this section, the authors may also discuss the implications of their findings, comparing them with existing literature to contextualize their contributions to the field. Furthermore, any limitations encountered during the research process are typically acknowledged, providing a comprehensive overview of the results and their relevance to the overarching research questions posed in the study.
Discussion
In this study, the DeepDrug methodology was employed to identify a lead combination of five repurposed drugs for Alzheimer’s Disease (AD) treatment, resulting in a priority list of 15 drug candidates. The top candidate, Tofacitinib, alongside other JAK inhibitors (Filgotinib and Baricitinib), was highlighted for its potential to mitigate neuroinflammation linked to AD pathology. Notably, while Tofacitinib has not demonstrated efficacy in reducing AD incidence in rheumatoid arthritis patients, its role in combinatorial therapy remains to be explored. The study also emphasizes the importance of stage-specific considerations in AD therapy, particularly regarding autophagy modulation, which can have varying effects depending on disease progression.
The lead combination identified—Tofacitinib, Niraparib, Baricitinib, Empagliflozin, and Doxercalciferol—was selected based on their mechanisms of action relevant to AD, including modulation of inflammatory responses and metabolic pathways. The robustness of this combination was supported by statistical analysis, indicating significant synergistic effects compared to other combinations. Furthermore, the study utilized advanced AI techniques to enhance drug repurposing efforts, addressing challenges such as integrating domain-specific knowledge and optimizing high-order drug combinations. Overall, the findings suggest a promising avenue for AD treatment through a well-characterized combination of existing drugs, warranting further experimental validation.