摘要
药物重定位（DR）旨在为已获批药物挖掘新治疗用途，可降低研发负担并为患者提供更安全的治疗方案。尽管高通量技术可生成复杂的大规模多组学数据，但现有药物重定位工具难以全面解析由此形成的生物网络。为解决该难题，本文提出基于先进深度学习技术、面向异构信息网络（HIN）的药物重定位集成化交互式网页服务器DRHIN。DRHIN整合转录组、蛋白质组与微生物组数据，纳入8类生物实体与19种关联类型构建多样化异构信息网络，并阐释其潜在分子机制。该平台搭载19种前沿图表示算法，支持异构网络数据的灵活训练、对比与评估。平台提供免代码操作入口，支持３大核心预测任务：挖掘药物-疾病关联、为现有药物发掘新适应症、筛选特定疾病的潜在治疗药物，让分析更易操作且可复现。依托高性能计算，DRHIN可高效处理百万级规模网络，保障实际场景中的应用可行性。
tingjunhou@zju.edu.cn
hulun@ms.xjb.ac.cn
#药物重定位 #异构信息网络 #多组学整合 #图表示学习 #网页服务器 #深度学习
数据
网页服务器可免费访问
http://drhin.tianshanzw.cn
相关数据与代码
https://github.com/stevejobws/DRHIN
材料与方法
异构信息网络构建
表1构建异构信息网络的数据方案与来源
上半部分汇总8类生物实体类别、主流数据库、记录数量及简要描述；下半部分列出19种实体间关联类型、来源数据库、关联数量及简要描述。上述组件共同构成用于下游分析的集成化多组学网络。
模型构建
表2基于B数据集采用10折交叉验证的DRHIN与前沿模型性能对比
展示各模型的准确率、马修斯相关系数、精确率-召回率曲线下面积、受试者工作特征曲线下面积、精确率、召回率、F1值。
结果与讨论
药物重定位
图1 DRHIN平台总览
(A) DRHIN平台架构；
(B) DRHIN网页技术流程。
预测结果分析
图2 DRHIN平台部分页面展示
(A) 布塔比妥与肝肿瘤关联的预测流程；
(B) 通过可视化异构信息网络拓扑结构得到的布塔比妥与肝肿瘤预测结果。
案例研究
表3 DRHIN预测的阿尔茨海默病前5名候选药物
包含目标疾病、排名、候选药物、文献证据（PMID）。
表4 DRHIN预测的氯氮平关联前5名疾病
包含目标药物、排名、候选疾病、文献证据（PMID）。
详细总结
思维导图
性能评估（B数据集10折交叉验证）
参考
J Chem Inf Model. 2026 Apr 19. doi: 10.1021/acs.jcim.6c00311.
DRHIN: An Integrated and Interactive Web Server for Drug Repositioning
260419DRHIN.pdf
注：AI辅助创作，如有错误欢迎指出。内容仅供参考，不构成任何建议。
