Description du projet
Faire le lien entre la recherche et le filtrage collaboratif pour le criblage des médicaments
Les pipelines de développement de médicaments entraînent des dépenses conséquentes, ont une durée de vie courte et présentent des taux d’échec élevés. À ce titre, le repositionnement des médicaments, qui implique le criblage systématique des composés existants pour découvrir de nouvelles utilisations thérapeutiques, constitue une solution. Le filtrage collaboratif s’appuie sur les associations médicament-maladie établies pour formuler de nouvelles recommandations. Cependant, les études antérieures ne mettent pas l’accent sur la supervision humaine et se montrent réticentes à l’intégration de données biologiques. Dans cette optique, le projet RECeSS, financé par le programme MSCA, vise à combler le fossé entre la recherche sur les médicaments et le filtrage collaboratif grâce à l’utilisation d’un classificateur. En utilisant une approche d’apprentissage semi-supervisée, ce classificateur abordera le problème du déséquilibre des classes dans les combinaisons entre médicament et maladie, et la question de la non-exhaustivité des caractéristiques recensées de chacun d’eux. Il établira des liens entre les correspondances projetées et les voies biologiques perturbées par le biais d’analyses d’enrichissement.
Objectif
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.
Champ scientifique
Programme(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Régime de financement
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinateur
18055 Rostock
Allemagne