AI Summary & Key Takeaways
AI InsightHighly ranked unlabelled candidates are dominated by high-degree cytotoxic agents, and the top candidate for Lewy body disease is a typical antipsychotic contraindicated in that condition, so candidates are reported separately as known, rediscovered and unlabelled and require pharmacological and experimental triage before any therapeutic claim.
📌 3 Key Takeaways
Abstract
Neurodegenerative diseases affect an estimated 57 million people worldwide, a number projected to double every 20 years, and treatment options remain limited by disease heterogeneity and the absence of curative therapies. Computational drug repurposing is one route to shorter development timelines, but published network-based frameworks for neurodegeneration are typically restricted to a single disease, report opaque rankings, and are evaluated under splitting procedures that let information about held-out associations enter the features. This study measures how much of the apparent accuracy of such a model survives once those weaknesses are removed. Gene-drug-disease associations from DGIdb and CTD covering 206 genes, 757 drugs and eight neurodegenerative diseases yielded 3,959 gene-drug-disease triplets, 2,225 known drug-disease associations and 6,056 possible drug-disease pairs, a bipartite density of 0.37. Thirty features per pair were derived from the gene-drug network, and a Random Forest was compared against logistic regression and three unfitted rankers under six evaluation protocols. Reproducing the original protocol gave a ROC-AUC of 0.980 and an average precision of 0.958, but an unfitted Jaccard threshold on the same data reached 0.975, and once held-out positives were excluded from the negative pool every model reached exactly 1.000, showing that the label was encoded in the features rather than learned. Removing the scored pair's own edges lowered the Random Forest to 0.916 on a single split and 0.933 (SD 0.008) under repeated cross-validation; drug-grouped cross-validation gave 0.805 (SD 0.026) and leave-one-disease-out validation 0.706 (SD 0.054), against 0.721 (SD 0.025) for ranking drugs by network degree alone. Held-out associations were nonetheless recovered with a ROC-AUC of 0.969 against 0.644 for the degree ranker, which is the one task on which the model clearly exceeds a connectivity baseline. SHAP attributions on the corrected model are led by drug and disease connectivity rather than by gene-set overlap, reversing the conclusion drawn under the leaky protocol; these are descriptions of model behaviour and not evidence of biological mechanism. Highly ranked unlabelled candidates are dominated by high-degree cytotoxic agents, and the top candidate for Lewy body disease is a typical antipsychotic contraindicated in that condition, so candidates are reported separately as known, rediscovered and unlabelled and require pharmacological and experimental triage before any therapeutic claim.
Özet
Nörodejeneratif hastalıklar dünya çapında tahmini 57 milyon kişiyi etkilemektedir ve bu sayının her 20 yılda bir ikiye katlanacağı öngörülmektedir. Hastalıkların heterojenliği ve iyileştirici tedavilerin bulunmaması nedeniyle mevcut tedavi yaklaşımları sınırlı kalmaktadır. Nörodejeneratif hastalıklar için mevcut ilaç yeniden kullanım çerçeveleri genellikle “kara kutu” tahminleri, tek bir hastalığa odaklanma ve bilgi sızıntısını önleyen sistematik değerlendirme stratejilerinin eksikliğinden muzdariptir. Ağ tabanlı özellik mühendisliğinin yorumlanabilir makine öğrenimi ile entegre edilmesinin, tahminler için mekanik bir gerekçe sağlarken, birden fazla nörodejeneratif durumdaki yeniden kullanım adaylarının sistematik olarak tanımlanmasını mümkün kılabileceği hipotezi ortaya atılmıştır. Gen-ilaç-hastalık ilişkileri, 221 gen, 1.501 ilaç ve sekiz nörodejeneratif hastalık için derlenmiş veritabanlarından (DGIdb, CTD) çıkarılmıştır. İki parçalı bir ağ oluşturuldu ve merkeziyet metrikleri açısından analiz edildi; bu analiz, Jaccard benzerliği, kesirli gen kümesi kapsamı ve ortalama toplama ağ özellikleri dahil olmak üzere ilaç-hastalık çifti başına 30 özellik üretti. Kenar maskeleme, gerçekçi bir değerlendirme simülasyonu sağlamak amacıyla özellik hesaplamasından önce bilinen ilişkilerin %20'sini gizledi. 2.828 çift üzerinde eğitilen bir Rastgele Orman sınıflandırıcısı, bekletilen veriler üzerinde 0,975 ROC-AUC ve 0,958 ortalama hassasiyet elde etti. SHAP analizi, Jaccard benzerliğini (ortalama mutlak değer: 0,089) baskın öngörücü olarak belirledi ve gen kümesi örtüşmesini terapötik ilişkilerin birincil itici gücü olarak doğruladı. En yüksek puanlı adaylar büyük ölçüde bilinen ilaçları yeniden keşfetti (Alzheimer için takrin, Huntington için klozapin), ara sıra yeni tahminler de (izokarboksazid) ortaya çıktı. Gelecekteki çalışmalar, yapısal kenetlenme verilerini entegre etmeli, hastalığa özgü eğitim kullanmalı ve adayları prospektif deneysel tarama yoluyla doğrulamalıdır; böylece ağdan türetilen tahminlerin ötesinde klinik alaka kurulabilir.