The random forest machine learning model performs better in predicting drug repositioning using networks: Systematic review and meta-analysis

El modelo de aprendizaje automático bosque aleatorio presenta un mejor desempeño para predecir el reposicionamiento de medicamentos usando redes: Revisión sistemática y Meta-análisis

Introduction: The lengthy and costly process of drug development can be expedited through drug repositioning (DR), a strategy that identifies new therapeutic targets using existing products. Supervised machine learning (SML) models, incorporating interaction networks, offer a promising approach for DR. This study aims to systematically review and meta-analyze SML models predicting DR, identifying key characteristics influencing their performance. Methodology: A systematic review was conducted to identify SML models that used networks to predict DR, which were evaluated by comparing their performance through a random-effects meta-analysis. Results: 19 studies were included in the qualitative synthesis and 17 in the quantitative evaluation, The Random Forest (RF) model emerged as the predominant classifier (63%), yielding the highest performance in AUC ROC comparisons (overall value: 0.91, 95% CI: 0.86 – 0.96). Validation efforts in 18 studies confirmed the predictions of the SML models, affirming the proposed drugs. The incorporation of chemical structure in model training was found to enhance performance by aiding in prediction discrimination. Conclusion: SML models can predict DR, the RF model was the most widely used SML model with the best performance results, which underscores the potential use of FR models for predicting DR using network form biomedical information.

Introducción: El proceso de investigación y desarrollo de fármacos se puede acelerar mediante el reposicionamiento de medicamentos (DR), una estrategia que identifica nuevos objetivos terapéuticos utilizando productos existentes. Los modelos de aprendizaje automático supervisado (SML), que incorporan redes de interacción, ofrecen un enfoque prometedor para DR. Este estudio tiene como objetivo revisar y meta-analizar sistemáticamente los modelos SML que predicen DR, identificando características clave que influyen en su desempeño. Metodología: Se realizó una revisión sistemática para identificar modelos SML que utilizaran redes para predecir DR, los cuales se evaluaron comparando su desempeño mediante un meta-análisis de efectos aleatorios. Resultados: Se incluyeron 19 estudios en la síntesis cualitativa y 17 en la evaluación cuantitativa. El modelo Bosque aleatorio surgió como el clasificador predominante (63%), obteniendo el mayor rendimiento en las comparaciones AUC ROC (valor general: 0,91, 95% IC: 0,86 – 0,96). Los esfuerzos de validación en 18 estudios confirmaron las predicciones de los modelos SML, afirmando los medicamentos propuestos. Se descubrió que la incorporación de estructura química en el entrenamiento de modelos mejora el rendimiento al ayudar en la discriminación de predicciones. Conclusión: Los modelos SML pueden predecir la DR, el modelo RF fue el modelo SML más utilizado con los mejores resultados de rendimiento, lo que resalta el uso potencial de modelos FR para predecir el DR utilizando redes de información biomédica.

Introdução: O processo longo e custoso de desenvolvimento de medicamentos pode ser acelerado por meio do reposicionamento de medicamentos (DR), uma estratégia que identifica novos alvos terapêuticos usando produtos existentes. Modelos de aprendizado de máquina supervisionado (SML), incorporando redes de interação, oferecem uma abordagem promissora para o DR. Este estudo tem como objetivo revisar sistematicamente e realizar meta-análises de modelos SML que preveem DR, identificando características-chave que influenciam seu desempenho. Metodologia: Foi realizada uma revisão sistemática para identificar modelos SML que usaram redes para prever DR, os quais foram avaliados comparando seu desempenho por meio de uma meta-análise de efeitos aleatórios. Resultados: 19 estudos foram incluídos na síntese qualitativa e 17 na avaliação quantitativa, o modelo Floresta Aleatória (RF) emergiu como o classificador predominante (63%), apresentando o melhor desempenho em comparações de AUC ROC (valor geral: 0,91, IC 95%: 0,86 - 0,96). Os esforços de validação em 18 estudos confirmaram as previsões dos modelos SML, afirmando os medicamentos propostos. A incorporação da estrutura química no treinamento do modelo mostrou-se capaz de melhorar o desempenho ao auxiliar na discriminação das previsões. Conclusão: Os modelos SML podem prever DR, o modelo RF foi o modelo SML mais amplamente utilizado com os melhores resultados de desempenho, o que destaca o potencial uso dos modelos FR para prever DR usando informações biomédicas de rede.