Akademik Veri Yönetim Sistemi
Journal of Computational Science, cilt.97, ss.102862, 2026 (SCI-Expanded)
İlaçların yeniden konumlandırılması — mevcut ilaçlar için yeni terapötik uygulamaların keşfedilmesi — kanser tedavisi geliştirme sürecini hızlandırmak için umut vaat eden bir yol sunmaktadır. Bu çalışma, ilaçların yeniden konumlandırılmasına ilişkin tahminleri iyileştirmek amacıyla biyomedikal bilgi grafiklerini ve grafik tabanlı öğrenmeyi kullanan, yayılma modeline dayalı bir çerçeve önermektedir. Bu çerçeve, Semantic MEDLINE Veritabanı (SemMedDB), Birleşik Tıbbi Dil Sistemi (UMLS) ve İlaçların Yeniden Kullanımı Veritabanı (RepoDB) kaynaklı verileri bir araya getirerek kapsamlı bir terapötik bilgi grafiği oluşturmaktadır. İlaç temsilleri, anlamsal tip odaklı yapısal bozulmaları içeren tek katmanlı bir İlişkisel Grafik Evrişimli Ağı (R-GCN) kullanılarak oluşturulur. Bu temsiller, gürültüyü gidermek ve biyolojik açıdan anlamlı temsilleri yeniden oluşturmak amacıyla bir akış eşleştirme algoritmasıyla iyileştirilir. Modelin etkinliğini değerlendirmek için, yakınlık ölçütleri olarak Kosinüs Benzerliği, Öklid Mesafesi ve Manhattan Mesafesini kullanan bir konsensüs stratejisi uyguluyoruz. Model, lösemi bağlamında yeniden konumlandırılabilecek ortalama 74 aday ilacı başarıyla belirledi. T-dağılımlı stokastik komşu temsil (t-SNE) yöntemini kullanan nitel analiz, gürültüden arındırılmış gömme uzayında farmakolojik açıdan ilgili ilaçların daha belirgin kümelenme gösterdiğini ortaya koydu. Özellikle trastuzumab, PubMed’de 156 kez birlikte bahsedilmiş olmasıyla desteklenen, lösemi için güçlü bir yeniden konumlandırma adayı olarak öne çıktı. Bu bulgular, önerilen çerçevenin temsil işleminin sağlamlığını ve anlamsal doğruluğunu artırdığını ve hassas onkoloji için yapay zeka (AI) odaklı güçlü bir yaklaşım sunduğunu göstermektedir. Yapısal gürültü modellemesini difüzyon temelli gürültü giderme ile birleştirmek, yeni ilaç-hastalık ilişkilerinin keşfini ilerletmekte ve ilaçların yeni kullanım alanlarının belirlenmesinde translasyonel araştırma ve klinik hipotez oluşturma açısından potansiyel barındırmaktadır.
Drug repositioning — discovering new therapeutic applications for existing drugs — offers a promising pathway to accelerate cancer treatment development. This study proposes a diffusion model-driven framework that leverages biomedical knowledge graphs and graph-based learning to enhance drug repositioning predictions. The framework integrates data from the Semantic MEDLINE Database (SemMedDB), the Unified Medical Language System (UMLS), and the Repurposing Drugs Database (RepoDB) to construct a comprehensive therapeutic knowledge graph. Drug embeddings are generated using a one-layer Relational Graph Convolutional Network (R-GCN) incorporating semantic type-guided structural perturbations. These embeddings are refined through a flow-matching algorithm to denoise and reconstruct biologically meaningful representations. To evaluate the model’s effectiveness, we apply a consensus strategy using Cosine Similarity, Euclidean Distance, and Manhattan Distance as proximity metrics. The model successfully identified, on average, 74 candidate drugs for repositioning in the context of leukemia. Qualitative analysis using t-distributed stochastic neighbor embedding (t-SNE) revealed enhanced clustering of pharmacologically relevant drugs in the denoised embedding space. Trastuzumab, in particular, emerged as a strong repositioning candidate for leukemia, supported by 156 co-mentions in PubMed. These findings demonstrate that the proposed framework improves embedding robustness and semantic fidelity, offering a powerful artificial intelligence (AI)-driven approach for precision oncology. Integrating structural noise modeling with diffusion-based denoising advances the discovery of novel drug-disease associations and holds potential for translational research and clinical hypothesis generation in drug repurposing.