기존 약물을 대상으로 새로운 치료 질환을 탐색하는 일은 의약품 개발 비용을 절감하는 데 필수적인 역할을 한다. 그러나 약물–질환 연관성(DDA)을 예측하기 위한 기존 방법들은 다중 이웃 정보에 대한 융합이 부족하여 일반화 능력이 제한되며, 결과적으로 선행 지식에 의존하도록 만든다. 이에 본 연구에서는 Neighborhood Contrastive Learning Heterogeneous Networks(NCH-DDA)라는 새로운 DDA 모델을 제안한다. NCH-DDA는 단일 이웃 및 다중 이웃 특징 추출 모듈을 모두 사용하여 이종 네트워크와 유사성 네트워크 등 복수의 잠재 공간에서 약물과 질환의 중요 특징을 병렬로 추출한다. NCH-DDA는 대조 학습을 통해 서로 다른 이웃 공간에서의 정보 상호작용을 향상시키기 위해 단일 이웃 특징과 다중 이웃 특징을 융합함으로써, 궁극적으로 약물과 질환의 보편적 도메인 특징을 획득한다. 또한 NCH-DDA는 예측 손실(predicitive loss)과 트리플릿 손실(triplet loss)의 조합을 사용하여 선행 지식에 대한 의존도를 낮춘다. 다중 데이터셋의 서로 다른 분할 구성에서 NCH-DDA는 DDA 예측에서 최상의 성능을 달성하였으며, 여러 최신의 경쟁 방법들보다 우수한 결과를 보였다. 더 나아가 NCH-DDA는 데이터 희소성 및 알츠하이머병에서의 약물 재창출(drug repositioning) 관련 실험에서도 더 나은 성능을 보였는데, 이는 희소한 오믹스 데이터와 약물 재창출 응용에서 DDA 예측의 잠재력이 더 크다는 점을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.