Natural products represented by herbs have played a crucial role in the discovery of drugs for complex diseases. However, herbs contain a multitude of active compounds, making it challenging to consider their individual effects and interactions. Graph neural networks can be employed as a solution to address these limitations. By enabling information exchange among nodes in a graph, graph neural networks can incorporate connectivity relationships and obtain updated information. In this study, we represented herbs as networks of their constituent compounds and applied a graph neural network model to predict natural product-phenotype relationships. The results demonstrated that our approach outperformed traditional machine learning models in terms of predictive performance. Furthermore, a detailed analysis of the top 10 herbs associated with diabetes in a case study provided evidence for the effectiveness of the model designed in this study. This not only highlights the potential of graph neural networks for representing the diverse compounds within herbs but also validates their ability to accurately predict herb-phenotype associations.
허브로 대표되는 천연물은 복잡한 질병의 치료를 위한 약물 발견에 중요한 역할을 해왔다. 하지만 허브는 너무 많은 활성 성분이 존재하고 이들 각자의 효과나 상호 작용 등을 고려하기 어렵다는 한계점이 존재한다. 이러한 문제점을 해결할 방법으로 그래프 신경망이 활용될 수 있다. 그래프 신경망은 그래프를 구성하는 노드 사이의 정보 교환을 통해 연결 관계를 고려하여 갱신된 정보들을 얻는 것이 가능하다. 따라서 본 연구에서는 허브를 구성 성분 사이의 네트워크로 표현하고 그래프 신경망 모델을 적용하여 천연물-표현형 관계 예측을 진행하였다. 그 결과 고전적인 기계 학습 모델보다 해당 연구가 좀 더 좋은 성능을 보이는 것을 확인하였다. 추가로 진행한 사례 연구에서도 당뇨와 관련된 상위 10개 허브에 대한 상세한 분석을 통해 본 연구에서 설계한 모델의 효과를 입증하였다.
