PPIのみを用いたAIによる薬剤–遺伝子–疾患 相互作用の同定

こちらの論文
https://link.springer.com/article/10.1186/s12859-024-06009-9
をGPT-5にスライド化してもらった後
https://chatgpt.com/share/68acf5b0-63cc-8004-acb9-628b4fc3be21
図表は手動でコピペしてできたもの

Transcript

1. PPIのみを用いたAIによる薬剤–遺伝子–疾患 相互作用の同定 出典: Taguchi & Turki, BMC Bioinformatics (2024), Open Access 目的: 疾患・薬剤に依存しない『遺伝子中心』手法で薬剤再定位を 実現 方法: テンソル分解 (HOSVD) に基づく教師なし特徴抽出 (TD- based unsupervised FE) をPPIに適用 発表者: （ご自身の氏名をご記入ください） URL: https://link.springer.com/article/10.1186/s12859-024- 06009-9 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
2. 背景: DGD（三者関係）は2段階法だと困難 従来: 疾患中心 or 薬剤中心の2段階推定 問題: 第2段階の対応が保証されず、探索空間が拡大 本研究: 遺伝子中心でPPIから疾患・薬剤へ接続 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
3. 提案: TD教師なしFEでPPIから有意遺伝子を抽出 ヒトPPIとマウスPPIを統合→3次元テンソル n_{ii'k} を構築 HOSVDで特異ベクトル u_{ℓi} を抽出し、BH補正P<0.01で遺伝 子を選択 選択遺伝子→Enrichrで疾患・薬剤のエンリッチメント BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
4. データ: BioGRID / DIP のPPI BioGRID: ヒト 24,875・マウス 16,645・共通 9,688・直交 4,026 → N=27,806 DIP: ヒト 4,901・マウス 2,342・共通 1,097・直交 432 → N=5,714 UniProt ID→遺伝子名マッピング、Enrichrで評価 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
5. 解析フロー（ワークフロー） PCAベースは不成功 → TDベースへ TDで選んだ遺伝子名をEnrichrに投入 ハブタンパク比較・クラスタ解析も実施 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
6. 結果①: 疾患エンリッチメント（Jensen, BioGRID u 選択217遺伝子で多くのがん関連用語が上位に出現 例: cancer, stomach cancer, adenoma, immune system cancer な ど BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
7. 結果②: 疾患エンリッチメント （Jensen, DIP u₂i / u₃i） DIP u₂i（193遺伝子）でも半数以上ががん関連 DIP u₃i（57遺伝子）でも乳がん・卵巣がん等が上位 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
8. 結果③: 疾患エンリッチメント（OMIM） BioGRID u₂i: 上位2件が有意、がん関連が多い DIP u₂I, u 3 I : 大部分ががん関連（大腸・乳・白血病 ・リンパ腫など） 論文 Fig.6・Fig.7（OMIM, DIP ）を貼付け。 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
9. 結果④: 薬剤エンリッチメント（DSigDB） BioGRID u₂i / DIP u₂i / DIP u₃i の上位薬剤を同定 がん領域の既知薬が多数 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
10. 結果⑤: 薬剤エンリッチメント（DrugMatrix, in viv BioGRID u₂i と DIP u₂i で上位薬剤を特定 DIP u₃i は有意ヒットなし（in vivo妥当性の観点で差） BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
11. 結果⑥: Drug Perturbations from GEO（down/up GEO由来のdown/upの双方で上位薬剤が一致 選択遺伝子集合と薬剤応答の整合性を示唆 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
12. ハブタンパク比較: 選択の重なりと性能 上位200/50のハブ集合を構築しTD集合と比較 重なりは有意だが多くは非共有 → 異なる情報を捕捉 DIP×DrugMatrixではハブはヒットせず BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
13. 選択遺伝子の特徴: 共有相互作用と相関〈r〉 TD選択集合（特にDIP）は平均相関〈r〉が大きい 共有相互作用の強さがin vivo有効薬同定の鍵 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
14. がん以外の疾患同定（別特異ベクトル） BioGRID: u₃i でJensen/OMIMとも“がん”がほぼ外れる DIP: u₆i でも非がん疾患が上位に BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
15. 妥当性確認: LLM＋文献照合 非がん疾患の候補について薬剤–疾患対応をLLMで抽出 他の論文ソースで関係を手作業検証 上位候補は既報と整合し、有望なペアを含む BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
16. 限界・注意点 ヒト＋ラットPPIは未整備→誤結論の恐れ（本研究ではヒト＋マウス） PPIから得る薬剤は直接標的とは限らず、発現変動の下流応答を含む ハブ依存は非がん領域やin vivo妥当性で弱い可能性 BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9
17. まとめ・展望 PPIのみ＋TD教師なしFEで多様な疾患・薬剤候補を同定 共有相互作用の強さが鍵（in vivoでの有効薬を示唆） 今後: PPIデータ拡充・非がん領域の実験的検証へ BMC Bioinformatics (2024) doi:10.1186/s12859-024-06009-9