Projektbeschreibung
Forschung und kollaborative Filterung für das Wirkstoffscreening verknüpfen
Wirkstoffentwicklungspipelines verursachen hohe Kosten, haben kurze Laufzeiten und weisen hohe Misserfolgsquoten auf. Drug Repurposing, die Umnutzung von Wirkstoffen, wobei vorhandene Verbindungen systematisch durchsucht werden, um neuartige therapeutische Anwendungsmöglichkeiten zu entdecken, stellt daher eine Lösung dar. Bei der kollaborativen Filterung kommen etablierte Assoziationen zwischen Wirkstoffen und Krankheiten zum Einsatz, um neue Empfehlungen zu formulieren. Bei früheren Untersuchungen wurde jedoch nicht genügend Wert auf die Überwachung durch den Menschen gelegt, und es gab Widerstände gegen die Einbeziehung biologischer Daten. Das Ziel des im Rahmen der Marie-Skłodowska-Curie-Maßnahmen finanzierten Projekts RECeSS besteht darin, die Lücke zwischen Wirkstoffforschung und kollaborativer Filterung durch die Nutzung eines Klassifikators zu schließen. Dieser Klassifikator befasst sich mit dem Problem des Klassenungleichgewichts innerhalb von Paarungen zwischen Wirkstoff und Krankheit und dem Vorhandensein unvollständiger Wirkstoff-/Krankheitsmerkmale, wobei ein Ansatz des halbüberwachten Lernens verwendet wird. Über Anreicherungsanalysen werden Verbindungen zwischen projizierten Übereinstimmungen und gestörten biologischen Signalwegen hergestellt.
Ziel
In 2021, drug development pipelines last 10 years in average, and cost around $2 billion, while facing high failure rates, as only around 10% of Phase 0 drug candidates reach the commercialization stage. These issues can be mitigated through drug repurposing, where existent compounds are systematically screened for new therapeutic indications. Collaborative filtering is a semi-supervised learning framework that leverages known drug-disease matchings to make novel recommendations. However, prior works cannot be leveraged because of their lack of focus on human oversight and robustness to biological data.
This project aims at bridging the gap between drug research and collaborative filtering by implementing a RECeSS classifier, that is
(1) Robust: deals with class imbalance in drug-disease matchings, and missing drug/disease features, by semi-supervised learning;
(2) Explainable: connects predicted matchings to perturbed biological pathways through enrichment analyses, based on the learnt importance of features in the model;
(3) Controllable: guarantees a bound on the false positive rate using an adaptive learning scheme;
(4) Standard: algorithms are trained and tested by a standardized open-source pipeline.
Predicted matchings will be independently validated by structure-based methods. This innovative interdisciplinary project relies on a solid basis of newly curated data (up to 1,386 drugs, 1,599 diseases, 12 feature types). It is primarily supervised by Pr. Olaf Wolkenhauer, at SBI Rostock, whose team has an expertise in drug repurposing, in systems biology and data imbalance in machine learning. This project will help the fellow develop new skills, and enhance her professional maturity in academia.
In the short term, this would yield the first method that fully integrates biological interpretation and risk assessment to collaborative filtering-based repurposing. Long-term outcomes might help define sustainable and transparent drug development for rare diseases.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordinator
18055 Rostock
Deutschland