Улучшенное предсказание связей лекарство–болезнь через интеграцию мультимодальных данных и глобально-локальное объединение признаков, направляемое мета-путями

Почему важно находить новые применения для старых препаратов

Разработка нового лекарства с нуля занимает много времени, связана с риском и чрезвычайно дорога. Тем не менее в современных аптеках скрываются многие препараты, которые могли бы помочь при других заболеваниях, если бы мы сумели обнаружить эти дополнительные применения. В этом исследовании представлен MedPathEx — компьютерный подход, который просевает большие массивы биомедицинских данных, чтобы предсказывать, какие существующие лекарства с высокой вероятностью будут эффективны для каких заболеваний, что может ускорить поиск новых терапий и лучше использовать уже имеющиеся лекарства.

Объединение множества подсказок в одну большую карту

Большинство предыдущих инструментов для сопоставления лекарств и болезней опирались лишь на один тип информации — например, на сходство между молекулами лекарств или на то, насколько близки друг к другу два заболевания в медицинских записях. MedPathEx исходит из идеи, что ни одна подсказка сама по себе недостаточна. Авторы строят большую «карту», связывающую три типа элементов: лекарства, болезни и гены. На эту основу они накладывают несколько видов признаков: структуру молекул лекарств, их терапевтические классификации, побочные эффекты, проявления заболеваний в клинической практике и медицинской терминологии, а также известную информацию о функциях генов. Сшивая всю эту мультимодальную информацию в единую гетерогенную сеть, каждый препарат, заболевание и ген описываются более полно и реалистично, чем раньше.

Видеть и окрестность, и весь город

При взгляде на такую огромную карту одной из задач становится выбор существенных закономерностей. MedPathEx решает эту задачу, сочетая два дополняющих друг друга взгляда на сеть. Сначала он приближает локальные окрестности, прослеживая короткие, информативные пути — например, лекарство → ген → болезнь — чтобы зафиксировать, как конкретные гены могут связывать препарат с заболеванием. Эти паттернизированные пути, называемые мета-путями, выявляют тонкие взаимосвязи. Затем метод отходит назад и учитывает глобальную картину, позволяя каждой вершине «обращать внимание» на многие другие по всей карте. Этот глобальный взгляд с вниманием улавливает более широкие тенденции и дальнодействующие связи, которые невозможно заметить, идя только локальными путями.

Слияние разных взглядов в единый сигнал

Чтобы превратить эти представления сети в предсказания, MedPathEx использует современные нейронные методы, которые преобразуют сложную карту в компактные числовые отпечатки для каждого лекарства, заболевания и гена. Одна часть модели обучается на графах сходства внутри каждого типа (лекарство–лекарство, болезнь–болезнь, ген–ген). Другая часть сосредоточена на локальных мета-путевых окрестностях, а третья фиксирует глобальную структуру всей сети. Модель затем учится присваивать вес каждому из этих источников и объединяет их в единое представление для каждой вершины. Когда система сравнивает объединённые отпечатки данного лекарства и болезни, она выдаёт оценку, отражающую вероятность реальной связи этой пары в биологическом мире.

Тестирование производительности и изучение важности компонентов

Исследователи протестировали MedPathEx с использованием публичных баз данных, содержащих сотни тысяч известных связей между тысячами лекарств, заболеваний и генов. В строгой пятикратной кросс-валидации MedPathEx превзошёл ряд конкурирующих подходов, включая классические методы машинного обучения и несколько продвинутых графовых моделей. Метрики качества, такие как AUC, средняя точность и F1-скор, были выше, что показывает более надёжное отделение истинных пар «лекарство–болезнь» от ложных. При поочерёдном удалении компонентов производительность падала, особенно при исключении либо локального мета-путевого представления, либо глобального внимания, что подчёркивает необходимость обеих перспектив. Анализ также показал, что наибольший вклад вносит локальная мета-путевая информация, в то время как глобальные и признаки сходства дают важные уточнения.

Примеры из реальной практики: болезни сердца и гипертония

Помимо числовых результатов авторы проверили, соответствуют ли наивысшие по рангу предложения MedPathEx для двух распространённых состояний — коронарной болезни сердца и гипертензии — тому, что известно из медицинской литературы. Для каждого заболевания система предложила несколько препаратов, некоторые из которых уже применяются в клинической практике при схожих сердечных проблемах, что придаёт подходу достоверность. Другие кандидаты менее очевидны, но у них также есть биологические связи, например влияние на воспаление, функцию кровеносных сосудов или образование бляшек в артериях. Сетевые диаграммы лекарств, генов и заболеваний иллюстрируют, как эти препараты могут влиять на связанные с болезнью пути, указывая на правдоподобные механизмы, которые можно исследовать в лабораторных или клинических исследованиях.

Что это значит для будущих лекарств

Проще говоря, MedPathEx показывает, что объединяя множество источников биомедицинских данных и рассматривая как локальные, так и глобальные паттерны в связях между лекарствами, генами и заболеваниями, компьютеры могут лучше угадывать, какие препараты подходят для каких болезней. Хотя этот инструмент не заменяет клинические испытания и реальную проверку, он способен сузить огромное пространство поиска и выделить перспективные кандидаты — особенно для сложных заболеваний, таких как болезни сердца и гипертония. По мере появления более подробных биологических данных и дальнейшей валидации таких моделей подходы вроде MedPathEx могут стать мощными партнёрами в переназначении существующих лекарств и разработке более эффективных стратегий лечения.

Цитирование: Wu, S., Wang, W., Jiao, H. et al. Enhanced drug disease association prediction through multimodal data integration and meta path guided global local feature fusion. Sci Rep 16, 11038 (2026). https://doi.org/10.1038/s41598-026-36223-9

Ключевые слова: переназначение лекарств, связи лекарство–болезнь, гетерогенные сети, графовые нейронные сети, вычислительная разработка лекарств