使用 HGTDR（异构图转换器用于药物再利用）提出了一种三步方法，通过构建异构知识图、利用异构图转换器网络以及使用全连接网络计算关系得分，来解决药物再利用面临的挑战，并验证了 HGTDR 能够预测药物 - 蛋白质和疾病 - 蛋白质等其他类型的关系。

May, 2024

利用基于图形的自动编码器进行多特征类型聚类的无监督机器学习框架发现 COVID-19 药物再利用的三个感兴趣的簇，并推荐了前 15 种药物，其中包括大量正在进行临床试验的药物。

Jun, 2023

本研究旨在构建一个知识图谱以研究阿尔茨海默病（AD）与化学物质、药物和膳食补充剂之间的关系，从而识别预防或延缓神经退行性进展的机会，结果表明我们的图形挖掘模型可以预测 AD 和其他实体之间的可靠新关系。

Feb, 2022

通过结合网络医学方法和基于 GenAI 的 ChatGPT 智能引擎，该研究构建了一个多层次的网络，通过实时提取临床试验中的药物信息并与疾病特定的信号通路相连接，为复杂疾病（如癌症和阿尔茨海默病）生成药物组合疗法，展示了基于真实世界证据的药物 “再利用” 潜力以及可以进一步研究的领域。

Jun, 2024

通过利用药物再定位候选药物的技术潜力和科学证据，通过构建科学生物医学知识图谱和药物专利知识图谱的关联关系，并使用图嵌入协议来评估与目标疾病相关的专利的技术潜力，本研究旨在桥接计算发现与药物再定位研究中成功的市场应用之间的差距。

Sep, 2023

使用生物知识图谱进行药物再利用，通过预测候选药物的有效性和药物与与疾病相关的蛋白质结合的可能性，通过嵌入模型和神经网络进行学习并实现了不同的模型来获取节点嵌入。在 MR、MRR 和 Hits@3 方面，RESCAL 在测试数据集上表现最佳。

Dec, 2022

通过 DrugCLIP 方法和基于真实世界临床试验记录的数据集，本研究验证了药物重复利用和基于机器学习方法的新药研发的有效性。

Jul, 2024

近几十年来，传统药物研发面临高成本、长周期和高风险等挑战，为了解决这些问题，许多计算方法被提出用于预测药物与疾病之间的关系，从而降低新药研发的成本、周期和风险。本综述聚焦于预测药物重新定位中的药物 - 疾病关联方法的最新进展，将这些方法分为神经网络算法、基于矩阵的算法、推荐算法、基于链接推理的算法以及文本挖掘和语义推理等几个组别。随后比较了现有药物 - 疾病关联预测算法的预测性能，并深入探讨了关于药物 - 疾病关联的现有挑战和未来前景。

Sep, 2023

最近，药物再利用作为一种有效和资源高效的方法已经成为 AD 药物发现的一种范例。其中，网络方法在药物再利用中显示出了很好的效果，因为它们能够利用复杂网络来整合多种相互作用类型（如蛋白质相互作用），以更有效地识别候选药物。然而，现有方法通常假设网络中具有相同长度的路径对于识别药物的治疗效果具有相等的重要性。和其他领域的研究发现，相同长度的路径并不一定具有相同的重要性。因此，依赖于这种假设可能对药物再利用尝试造成不利影响。在本研究中，我们提出了一种被称为 MPI（Modeling Path Importance）的新型网络方法用于 AD 药物再利用。MPI 的独特之处在于，它通过学习到的节点嵌入来优先考虑重要路径，这样能够有效地捕捉网络的丰富结构信息。因此，利用学到的嵌入使得 MPI 能够有效区分路径的重要性。我们将 MPI 与一种常用的基准方法进行评估，该方法主要根据网络中药物与 AD 之间的最短路径来识别抗 AD 药物候选物。我们观察到，在排名前 50 的候选药物中，与基准方法相比，MPI 优先考虑了 20.0% 更多具有抗 AD 证据的药物。最后，我们利用保险索赔数据生成的 Cox 比例危险模型有助于我们识别使用依托拉他、尼古丁和越过血脑屏障的 ACE-INHs 可降低 AD 风险，这表明这些药物可能是可行的再利用候选物，并应在未来的研究中进一步探索。

Oct, 2023

本文使用基于网络传播、网络邻近等人工智能算法对 6340 种药物进行评估，以便快速、可靠地筛选适合 SARS-CoV-2 感染的药物。结果表明，多模式方法比任何单一算法更好地预测了药物的有效性，并可为未来快速识别可重复用药提供方法学途径。

Apr, 2020