In this paper, we conducted to predict drug targets and effects using multilayer networks. We tried topredict the drug target based on the drug response gene expression data so that it can be applied evenwhen there is no structural information of the drug or target protein or when the structure changes,such as G-protein coupled receptor (GPCR). At this time, a molecular network was introduced to copewith the case where there is no drug response data. Existing studies are based on a relatively simplenetwork structure, and have a disadvantage in that they have not captured accurate drug responsephenomena. To overcome this drawback, a multilayer molecular network with a deeper structure wasconstructed by distinguishing the roles of transcription factors and targets. A scoring formula suitable forthe constructed multilayer molecular network was proposed, and it was verified that the targets obtainedthrough the scoring formula were more accurate than the models used in previous studies. In addition, itwas revealed through actual case studies that the score can suggest the molecular mechanism of dietarydrugs and can also be used to find the target of coronavirus.
If there is a target of the drug predicted in this way, it becomes easy to predict the effect ofthe drug. However, there may be more than one drug target, and human physiology is regulated atvarious levels. In order to model multiple drug targets and a complex human body at once, we alsotried to model the human body based on a multi-layered network structure. A multilayer network wasbuilt based on different types of entities and relational information between them in three major layers:molecule, function, and phenotype, and a standardized ontology table and relational information formwere defined to collect abundant information. In-house data could also be collected through a platformthat standardizes the heterogeneity of assay data obtained through various institutions and experiments.In the multilayer network constructed based on the information thus obtained, it was possible to predictthe relationship between drugs and diseases through the shortest path length and random walk algorithm.Confirmed. Furthermore, the performance of predicting the relationship between drug combinations anddiseases was high, and through this, candidate drug combinations with the possibility of treating diseasescould be proposed.
이 논문에서는 다층 네트워크를 활용하여 약물의 표적과 효과를 예측한 연구들을 진행하였다. 약물이나표적 단백질의 구조 정보가 없거나, G-protein coupled receptor(GPCR)과 같이 구조가 변하는 경우에도적용시킬 수 있도록, 약물 반응 유전자 발현 데이터를 토대로 약물의 표적을 예측하고자 하였다. 이 때, 약물반응 데이터가 없는 경우에도 대처하기 위해 분자 네트워크를 도입하였다. 기존 연구들은 비교적 단순한네트워크 구조를 바탕으로 하여, 정확한 약물 반응 현상을 담아내지 못했다는 단점이 있다. 이 단점을 극복하기 위해 전사 인자와 표적의 역할을 구분하여 더 깊은 구조의 다층 분자 네트워크를 구축하였다. 구축된 다층 분자 네트워크에 적합한 점수 식을 제안하고, 점수 식을 통해 나온 표적들이 기존 연구에서 쓰인 모델들보다 더 정확하다고 검증하였다. 또한, 해당 점수 식이 약물의 분자 메커니즘을 제안할 수 있으며 코로나바이러스의 표적을 찾는데도 사용될 수 있음을 실제 케이스 스터디를 통해 밝혀내었다.
이렇게 예측된 약물의 표적이 있다면, 해당 약물의 효과를 예측하기에도 용이해진다. 하지만 약물의표적은 하나가 아니라 수 개 이상 존재할 수 있으며, 인체 생리는 다양한 수준의 레벨에서 조절되고 있다.약물의 여러 표적들과 복잡한 인체를 한번에 모델링하기 위해, 역시 다층 네트워크 구조를 토대로 인체를모델링하고자 하였다. 분자, 기능, 표현형이라는 크게 세가지의 계층에서 서로 다른 종류의 엔터티와 그들사이의 관계정보를 토대로 다층 네트워크를 구축하였고, 풍부한 정보 수집을 위해 규격화 된 온톨로지 테이블과 관계정보 형태를 정의하였다. 여러 기관과 실험을 통해 얻어지는 Assay 데이터들 끼리의 이질성을규격화하는 플랫폼을 거쳐 in-house 데이터도 수집할 수 있었다. 그렇게 얻어진 정보를 토대로 구축된 다층 네트워크에서 최단경로길이와 랜덤워크 알고리즘을 통해 약물과 질병 사이 관계를 예측할 수 있었으며,기존에 구축된 다른 다층 네트워크에 비해 네트워크 사이즈가 크며 약물-질병 예측 정확도가 높은 것을 확인하였다. 더 나아가 약물 조합과 질병 관계 예측 성능도 높았으며, 이를 통해 질병을 치료할 가능성이 있는후보 약물 조합도 제안할 수 있었다.
