
Indexat a
Llicència i ús
Grant support
This work was supported by National Natural Science Foundation of China (Grant Nos. 61873280, 61972416), Taishan Scholarship (tsqn201812029), Major projects of the National Natural Science Foundation of China (Grant No. 41890851), Natural Science Foundation of Shandong Province (No. ZR2019MF012), Fundamental Research Funds for the Central Universities (19CX05003A-6).
KG-DTI: a knowledge graph based deep learning method for drug-target interaction predictions and Alzheimer's disease drug repositions
Publicat a:Applied Intelligence. 52 (1): 846-857 - 2022-01-01 52(1), DOI: 10.1007/s10489-021-02454-8
Autors: Wang, Shudong; Du, Zhenzhen; Ding, Mao; Rodriguez-Paton, Alfonso; Song, Tao
Afiliacions
Resum
Drug repositioning, which recommends approved drugs to potential targets by predicting drug-target interactions (DTIs), can save the cost and shorten the period of drug development. In this work, we propose a novel knowledge graph based deep learning method, named KG-DTI, for DTIs predictions. Specifically, a knowledge graph of 29,607 positive drug-target pairs is constructed by DistMult embedding strategy. A Conv-Conv module is proposed to extract features of drug-target pairs (DTPs), which is followed by a fully connected neural network for DTIs calculation. Data experiments are conducted on randomly chosen 11,840 positive and negative samples. It is obtained that KG-DTI achieves average ACC by 88.0%, F1-Score by 87.7%, AUROC by 94.3% and AUPR by 95% in five-fold cross-validation. In practice, KG-DTI is applied to reposition drugs to Alzheimer's disease (AD) by Apolipoprotein E target. As results, it is found that seven of the top ten recommended drugs have been used in clinic practice or with literature supported useful to AD. Ligand-target docking results show that the top one recommended drug can dock with Apolipoprotein E significantly, which gives vital hints in repositioning potential drug to AD treatment.
Paraules clau
Indicis de qualitat
Impacte bibliomètric. Anàlisi de la contribució i canal de difusió
El treball ha estat publicat a la revista Applied Intelligence a causa de la seva progressió i el bon impacte que ha aconseguit en els últims anys, segons l'agència WoS (JCR), s'ha convertit en una referència en el seu camp. A l'any de publicació del treball, 2022, es trobava a la posició 48/145, aconseguint així situar-se com a revista Q2 (Segundo Cuartil), en la categoria Computer Science, Artificial Intelligence. Destacable, igualment, el fet que la revista està posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Artificial Intelligence.
Des d'una perspectiva relativa, i tenint en compte l'indicador de impacte normalitzat calculat a partir de les Citacions Mundials proporcionades per WoS (ESI, Clarivate), proporciona un valor per a la normalització de citacions relatives a la taxa de citació esperada de: 1.3. Això indica que, comparat amb treballs en la mateixa disciplina i en el mateix any de publicació, el situa com un treball citat per sobre de la mitjana. (font consultada: ESI 14 Nov 2024)
Aquesta informació es reforça amb altres indicadors del mateix tipus, que encara que dinàmics en el temps i dependents del conjunt de citacions mitjanes mundials en el moment del seu càlcul, coincideixen a posicionar en algun moment el treball, entre el 50% més citats dins de la seva temàtica:
- Mitjana Ponderada de l'Impacte Normalitzat de l'agència Scopus: 2.52 (font consultada: FECYT Febr 2024)
Concretament, i atenent a les diferents agències d'indexació, aquest treball ha acumulat, fins a la data 2025-07-28, el següent nombre de cites:
- WoS: 17
- Scopus: 41
Impacte i visibilitat social
Anàlisi del lideratge dels autors institucionals
Aquest treball s'ha realitzat amb col·laboració internacional, concretament amb investigadors de: China.
Hi ha un lideratge significatiu, ja que alguns dels autors pertanyents a la institució apareixen com a primer o últim signant, es pot apreciar en el detall: Últim Autor (SONG, TAO).
l'autor responsable d'establir les tasques de correspondència ha estat SONG, TAO.