编辑推荐：
研究人员为提高药物再利用准确性开展 IDDNMTF 模型研究，结果显示该模型性能优越，助力药物研发。
在药物研发的漫长征程中，传统药物开发面临着成本高昂、耗时漫长的困境。据统计，一种新药从研发到上市，平均需要花费数十亿美元，耗时长达 10 - 15 年。这不仅让制药企业承受着巨大的经济压力，更使得许多患者在漫长的等待中错失治疗良机。与此同时，大量已上市药物的潜在治疗价值尚未被充分挖掘。药物再利用（Drug repositioning）这一创新策略应运而生，它旨在为现有药物找到新的治疗用途，就像是在旧仓库中寻找被遗忘的宝藏，能够大大缩短药物研发周期，降低成本，为患者带来更多希望。
然而，探索药物的新用途并非易事。生物系统是一个极其复杂的网络，药物与疾病之间的关系错综复杂，受到多种因素的影响。以往的研究方法，如非负矩阵分解（NMF） 、贝叶斯网络（BNNR） 、深度学习模型（DANN - DDI）等，虽然在一定程度上推动了药物再利用的研究，但仍无法精准地剖析药物 - 疾病相互作用的复杂层面。在这样的背景下，来自西安交通大学红会医院、西北工业大学以及陕西省人民医院的研究人员，开展了一项旨在提高药物再利用准确性的研究，相关成果发表在《Scientific Reports》上。
研究人员提出了整合多样数据集的非负矩阵三分解模型（IDDNMTF） 。为了构建和验证该模型，研究人员进行了一系列关键操作。首先，他们从 DrugBank 和治疗靶点数据库（TTD）整合了 3261 种药物及其分类标签、蛋白质、通路和疾病关联数据。接着，引入 NMF 和 NMTF 模型，NMF 是一种计算方法，旨在通过两个低秩非负矩阵相乘来近似一个非负矩阵（R≈G1G2T） ，而 NMTF 则是在此基础上，将矩阵分解为三个分量（R≈G1S12G2T） 。基于这些，研究人员扩展了 NMTF 模型的目标函数，以关联多个数据集矩阵，并通过迭代算法求解。最后，采用 AUC、AUPR、Acc 等多种评估指标，在 MATLAB 2023b 和 Python 3.7 环境下进行实验评估。
研究结果主要体现在以下几个方面：
- 添加关联数据集的益处：研究人员利用不同组合的数据集对 IDDNMTF 模型进行评估。结果发现，随着纳入数据集的增加，模型性能不断提升。仅使用R12数据集时，AUC 得分为 0.9269，AUPR 为 0.6572，F1 分数为 0.6124；当加入R23数据集后，准确率提高到 0.9305，召回率提升至 0.5990；再加入R24数据集，AUPR 增加到 0.6780；最终加入R25数据集，AUPR 升至 0.6871，F1 分数达到 0.6538。这表明更多的数据集能为模型提供更丰富的信息，使其学习到更复杂的模式，从而提升预测性能。
- NMF 变体与 IDDNMTF 的比较：研究人员将 IDDNMTF 模型与 NMF 模型及其变体（FRO_MU_NMF 和 HALS_NMF）进行对比。在对R12数据集的实验中，NMF 模型受参数 k 值影响较大，k 值过高或过低都会导致模型性能下降。而 IDDNMTF 模型在大多数指标上优于 NMF 模型及其变体，其 AUC 和 F1 分数更高，这说明 IDDNMTF 模型能更好地捕捉数据的潜在结构，提升预测性能。
- 药物 - 蛋白质和药物 - 疾病关系的预测：研究人员利用 IDDNMTF 模型对药物 - 蛋白质和药物 - 疾病关系进行预测。在药物 - 蛋白质关系预测中，预测结果与 QuartataWeb 数据相符，如预测泮库溴铵（Pancuronium）与 P11229 蛋白存在相互作用。在药物 - 疾病关系预测方面，发现了多种药物的潜在新用途，如治疗精神病的哌罗匹隆（Perospirone）预测对精神分裂症有治疗潜力；目前未与任何疾病关联的坎地沙坦（Candesartan）预测与高血压相关，这与它作为血管紧张素 II 受体阻滞剂的功能相符。
在研究结论与讨论部分，IDDNMTF 模型展现出显著优势。与传统 NMF 模型相比，它通过三分解过程，能更细致地探究药物、疾病、基因和生物通路之间的关系，不仅捕捉数据中的相互依赖关系，还增强了结果的可解释性，为理解药物与新治疗用途之间的潜在机制提供了清晰视角。在药物 - 蛋白质和药物 - 疾病关系预测上的成果，也显示出其在识别新靶点、新通路以及药物再利用方面的巨大潜力。
然而，该模型也存在一定的局限性。输入数据的质量和数量对模型性能影响较大，数据中的偏差或不准确可能导致预测结果不佳。同时，存在过拟合风险，尤其是在训练数据有限或潜在因子数量过高的情况下。尽管模型做出了有前景的预测，但这些预测仍需进一步实验验证。
总的来说，IDDNMTF 模型在药物再利用研究中迈出了重要一步，为药物研发提供了更精准、有效的工具。随着对模型的不断优化和完善，有望加速药物从实验室到临床应用的转化，推动个性化医学和靶向治疗的发展，为人类健康事业带来新的曙光。
