Drug repositioning is in the spotlight as a new method for drug discovery because its development process reduces time, expense and risk of failure. And many researches for discovering candidates of drug repositioning exist. Among those researches, one of most popular approaches is to construct diseases networks, which is based on the idea that similar diseases could share their drugs. But existing approaches for building disease networks have their own limitations and this research provide a new approach that might overcome those limitations.
In this research, large-scale clinical information is utilized in combinational ways to estimate disease associations. I designed CLinical Attribute COmbination Vector(CLACOV) to represent a disease in combinational relationships among clinical factors. And a score is deducted between two CLACOVs, resulting in a relationship between two diseases.
And the proposed network is compared with a disease network based on the number of shared drugs, which provides a significant result. This disease network also outperforms other disease networks(shared genes, shared SNPs, comorbidity) from perspective of drug repositioning.
Complex physiological relationships exist among human diseases. Thus combinational analysis approach is required. And in this research, I proved that combinational analysis of clinical information is effective and powerful for drug repositioning. This novel approach will provide a new possibility in drug repositioning field.
신약재창출은 그 비용과 시간이 적게 들고 실패할 위험성이 낮기 때문에, 최근 신약 개발 분야에서 많이 각광받고 있다. 이러한 흐름 속에서 신약재창출의 후보를 제안하기 위한 많은 연구가 있으며, 이들 연구 중 대표적인 것으로는 질병 네트워크를 이용하는 것이 있다. 이는 서로 관계성이 큰 질병들이 약을 공유할 것이라는 생각을 기본으로 한 것으로, 많은 이전 연구들이 있었다. 하지만 질병 네트워크를 구축하는 이전 연구들은 그들만의 한계를 가지고 있으며, 이 연구에서 그들의 한계를 극복할 수 있는 새로운 접근 방법을 제시한다.
이 연구에서는 대용량의 임상 정보를 조합적으로 분석하여 각 질병의 관계성을 추정한다. 이를 위해 CLinical Attribute COmbination Vector(CLACOV)를 고안하였으며, 이는 각 질병을 대표하는 임상 정보들의 조합들을 표현한다. 그리고 각 CLACOV pair 마다 관계성을 수치화하여, 질병(두 CLACOV를 도출했던)pair의 관계성을 수치화하였다.
본 연구에서 제안한 질병 네트워크를 질병의 약물 공유 정도를 근거로 그린 네트워크와 비교 했을 때, 매우 의미 있는 결과가 나왔다. 또한 이 질병 네트워크는 신약재창출의 관점에서 평가했을 때, 다른 접근 방식(shared gene, shared SNP, comorbidity)의 네트워크들보다 더 좋은 성과를 냈다.
많은 질병들은 서로 복잡한 관계에 있다. 따라서 여러 원인들을 조합적으로 분석하는 방법이 필수적이다. 본 연구에서는 임상 정보의 조합적인 관계를 분석하는 것이 신약재창출에 효과적이다는 것을 증명하였다. 이 새로운 접근 방법은 신약재창출 분야에 큰 도움이 될 것이다.
