Recently, attention on herb-drug interactions has increased due to the extensive popularity of herbal products or dietary supplements. So far, herb-drug interactions mostly have been investigated through in-vivo/in-vitro experiments. However, the number of herb-drug interactions to test is dramatically increasing, and therefore the need for in-silico methods is rising to reduce the search space and costs. Here, we develop two machine-learning-based methods to investigate synergistic herb-drug interactions. In the first study, we develop a method based on the deep neural network to predict the Caco-2 monolayer permeability of chemical compounds, such as herbal compounds. We used all possible molecular descriptors as the input feature of our model and compared the overall performance with recently developed methods, which only used several molecular descriptors. We show that our approach has better prediction performance compared to previous studies. In the second study, we define new disease-specific features to predict synergistic compound combinations. We show that the newly defined disease-specific features allow us to investigate the synergism of various combinations of compounds, which could not be considered in previous studies. Lastly, by combining the two methods, we suggest novel herb-drug pairs that may express synergistic effect.
최근 천연물 소재 기반의 건강기능식품이 널리 사용되면서 허브-약물간 상호작용에 대한 관심이 증가하고 있다. 현재까지 대부분의 허브-약물 상호 작용은 생체 내 / 시험관 내 실험을 통해 연구되어왔다. 하지만 실험 해 야할 허브-약물 조합의 수가 급격히 증가함에 따라 실험 규모와 비용을 줄이는데 기여 할 수 있는 인실리코 방법론 연구의 필요성이 대두되고 있다. 본 논문에서는 이러한 필요성을 인지하여 허브-약물 작용 예측에 활용할 수 있는 기계 학습 기법 기반의 방법론들을 제안했다. 첫 번째 연구에서는 심층신경망을 활용하여 허브 성분과 같은 화합물의 Caco-2 단층 세포막 투과 여부를 예측하는 방법론을 개발하고 이전 방법론들 보다 향상 된 모델을 개발함을 통계적으로 검증했다. 두 번째 연구에서는 새로운 질병 특이적 특징들을 정의하고 이를 활용하여 상승효과를 나타낼 화합물 조합을 예측하는 방법론을 개발했다. 해당 연구를 통해 새롭게 정의한 질병특이적 특징들이 이전 연구들에서는 고려하지 못했던 다양한 화합물 조합의 상승효과를 예측하는데 유용하게 활용될 수 있음을 확인하였다. 마지막으로, 두 방법론을 활용하여 상승효과를 나타낼 것으로 예상되는 새로운 허브-약물 조합을 제안했다.
