本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
该研究由He-Gang Chen和Xiong-Hui Zhou共同完成，他们来自华中农业大学信息学院农业生物信息学湖北省重点实验室。研究于2021年发表在期刊《Genes》上，标题为“MNbdr: A Module Network Based Method for Drug Repositioning”。
药物重定位（drug repositioning）旨在为已有药物寻找新的适应症，以减少药物开发的时间和成本。近年来，药物刺激样本的基因表达谱（gene expression profiles）在药物重定位中得到了广泛应用。然而，现有方法大多忽略了基因模块（gene modules）及其之间的相互作用，尽管药物反应中不同通路之间的交叉对话（cross-talks）非常常见。因此，开发一种能够利用这些交叉对话信息来预测可靠候选药物关联的方法具有重要意义。本研究提出了基于模块网络的药物重定位方法MNbdr，旨在通过整合蛋白质-蛋白质相互作用（protein-protein interactions, PPI）网络和人类基因表达谱，预测疾病的候选药物。
研究分为以下几个步骤：
数据准备与预处理
药物刺激数据来自LINCS项目（Library of Integrated Network-Based Cellular Signatures），包含118,051个基因表达谱，涉及1827种生物活性小分子化合物。疾病样本的基因表达数据来自TCGA（The Cancer Genome Atlas）研究网络，共包含3486个对照样本和60,460个疾病样本。PPI数据来自STRING数据库，筛选出置信度评分≥770的36,619个独特相互作用。
模块网络构建
使用MCODE算法在PPI网络中检测密集簇（dense clusters），并将包含不少于5个节点的簇保留为模块。通过排列检验（permutation test）识别模块之间的交叉对话，构建模块网络。最终得到116个模块，其中486对模块之间存在显著交叉对话。
模块特征空间转换
将基因表达数据从基因特征空间映射到模块特征空间。计算每个模块的重要性得分（IMP），以表征疾病中所有模块的基因表达水平差异。
基于PageRank的模块排序
使用PageRank算法对模块网络中的模块进行排序，模拟功能模块之间的交叉对话。设定阻尼因子λ为0.85，以避免信息过度扩散。
药物优先级排序
提出新的指标S，评估每种药物对特定疾病的效果。S的计算基于疾病进展中的重要模块在药物反应中的排名情况。最终，根据S对所有药物进行优先级排序。
性能评估
使用ROC曲线下面积（AUC）和AUC0.1（FPR≤0.1时的AUC）评估模型性能。研究在19个癌症数据集上验证了MNbdr的效果，并与多种现有方法进行了比较。
模块网络构建
研究成功构建了包含116个模块的模块网络，其中486对模块之间存在显著交叉对话。这一结果表明，模块网络能够有效揭示功能模块之间的相互作用。
模块特征空间转换
通过计算模块的重要性得分（IMP），研究将基因表达数据成功映射到模块特征空间，为后续模块排序提供了基础。
基于PageRank的模块排序
PageRank算法成功识别了疾病进展中的重要模块，这些模块在药物反应中也表现出显著的重要性。
药物优先级排序
MNbdr在19个癌症数据集上的表现优于其他方法，特别是在AUC0.1指标上表现突出。这表明MNbdr在早期检索性能上具有显著优势。
功能分析
对重要模块的功能分析显示，这些模块显著富集于多种癌症相关通路，如MAPK信号通路、PI3K-AKT信号通路等。这表明MNbdr不仅能够预测药物，还能揭示药物反应的生物学机制。
MNbdr是一种基于模块网络的药物重定位方法，通过整合PPI网络和基因表达数据，成功预测了疾病的候选药物。研究结果表明，MNbdr在性能上优于现有方法，特别是在早期检索性能上表现突出。此外，MNbdr还能够揭示药物反应的生物学机制，为药物开发提供了新的思路。
创新性方法
MNbdr首次将模块网络应用于药物重定位领域，提出了一种新的模块排序和药物优先级评估方法。
性能优势
在19个癌症数据集上的验证表明，MNbdr在AUC和AUC0.1指标上均优于现有方法。
生物学机制揭示
MNbdr不仅能够预测药物，还能通过功能分析揭示药物反应的生物学机制，为药物开发提供了新的视角。
研究还通过案例研究验证了MNbdr在乳腺癌中的应用，成功预测了多种药物的潜在疗效，如罗米地辛（romidepsin）和秋水仙碱（colchicine）。这些结果进一步证明了MNbdr的实用性和可靠性。
MNbdr为药物重定位提供了一种高效且可靠的方法，具有重要的科学价值和应用前景。