Despite of massive progress in drug discovery field, cancer incidence and mortality rates have not decreased yet. In this situation, in-silico based drug repositioning is getting a spotlight because of relatively slow development in conventional anticancer drug discovery field. In this research, we predicted drugs that show new anticancer effects different from known original effects. To do this, we constructed protein-protein interaction networks that are perturbed by mutated proteins and find neighbors of mutated ones which reflect cancer states. We prioritized drugs using a score function and searched literature evidences for our repositioned drug candidates. In result, performance of drug prediction (AUROC with ranked answer drugs) is better than previous works. In addition, we propose new drug targets that are more important in cancer and not in normal using network propagation algorithm. Through this, we expect that we can find drugs with higher sensitivity and lower resistance.
많은 기술의 발전에도 불구하고, 암의 발병률과 그로 인한 사망률은 쉽게 줄어들고 있지 않고 있습니다. 암을 치료하기 위한 새로운 약물 개발의 속도가 상대적으로 느리기에, 이를 해결할 수 있는 방안으로 컴퓨터 계산 모델링을 활용한 약물 재창출이 새롭게 조명을 받고 있습니다. 이러한 흐름에 맞추어 본 연구에서는 기존의 존재하던 약물들 중 기존의 알려진 효과와 다르게, 항암 효과를 보이는 약물들을 예측하였습니다. 이를 위하여 유전자 돌연변이에 의해 변동되는 암 특이적인 단백질 상호작용 네트워크를 구축하고, 그 암 특이적인 네트워크 상에서 돌연변이가 일어난 단백질과 그 이웃 단백질들을 타겟하는 약물들을 찾아내었습니다. 각 약물 별 점수를 통해 새로운 항암 효과를 보이는 약물을 찾아내었고, 치료에 쓰일 수 있는 근거를 문헌 조사를 통해 찾아내었습니다. 그 결과, 돌연변이의 성질을 반영하지 않고 약물들을 예측한 기존의 모델들에 비해 성능이 향상된 것을 확인하였습니다. 또, 네트워크 전파 알고리즘을 통해 돌연변이가 일어난 단백질이나 그 이웃 단백질 외의 중요한 타겟들을 새롭게 찾아내었습니다. 이를 통하면, 앞으로 맞이할 약물 개발 및 재창출의 패러다임에 맞게 효능을 높이면서 내성을 줄일 수 있는 약물들을 찾아내는 데 도움이 될 것으로 예측됩니다.