Opis projektu
Połączenie badań z filtrowaniem kolaboracyjnym pomoże w badaniach przesiewowych leków
Procedury opracowywania leków wiążą się z wysokimi kosztami, mają krótki cykl życia i cechują się wysokim wskaźnikiem niepowodzeń. Jednym z rozwiązań tego problemu jest repozycjonowanie leków, polegające na systematycznym badaniu istniejących związków w celu odkrycia dla nich nowych zastosowań terapeutycznych. Filtrowanie kolaboracyjne, czyli oparte na współpracy, wykorzystuje ustalone skojarzenia lek–choroba do formułowania nowych zaleceń. Jednak wcześniejsze badania cechował brak nadzoru człowieka oraz opór przed włączeniem danych biologicznych. Mając to na uwadze, zespół finansowanego w ramach działań „Maria Skłodowska-Curie” projektu RECeSS zamierza wypełnić lukę między badaniami nad lekami a filtrowaniem kolaboracyjnym za pomocą klasyfikatora. Klasyfikator ten zajmuje się kwestią braku równowagi klas w parach lek–choroba i obecności niekompletnych cech leku/choroby przy użyciu częściowo nadzorowanej funkcji uczenia się. Ponadto pozwala on na ustanowienie połączenia między przewidywanymi dopasowaniami i zaburzonymi ścieżkami biologicznymi za pośrednictwem analizy wzbogacenia.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
18055 Rostock
Niemcy