{"id":2406,"date":"2021-04-27T10:01:51","date_gmt":"2021-04-27T08:01:51","guid":{"rendered":"https:\/\/blogs.tu-braunschweig.de\/pubpharm\/?p=2406"},"modified":"2021-04-27T10:01:51","modified_gmt":"2021-04-27T08:01:51","slug":"drug-disease-networks-neue-innovative-funktion-fuer-pubpharm","status":"publish","type":"post","link":"https:\/\/blog.pubpharm.de\/index.php\/2021\/04\/27\/drug-disease-networks-neue-innovative-funktion-fuer-pubpharm\/","title":{"rendered":"Drug-Disease-Networks \u2013 Neue innovative Funktion f\u00fcr PubPharm"},"content":{"rendered":"

Modelle aus dem Bereich der k\u00fcnstlichen Intelligenz (KI) k\u00f6nnen verwendet werden, um auf Basis von Literatur existierende Wirkstoff-Krankheit Assoziationen automatisch zu erkennen sowie neue vorherzusagen. Die Erkl\u00e4rbarkeit einer KI-basierten Vorhersage ist in vielen F\u00e4llen jedoch schwer nachvollziehbar und stellt somit ein Interpretationsproblem dar. Eine m\u00f6gliche L\u00f6sung f\u00fcr dieses Problem ist es solche Vorhersagen implizit \u00fcber andere Wirkstoffe und Krankheiten zu erkl\u00e4ren. Zum Beispiel hat ein chemisch \u00e4hnlicher Wirkstoff auch wahrscheinlich \u00e4hnliche Eigenschaften, und somit wahrscheinlich \u00e4hnliche und bereits bekannte Wirkstoff-Krankheit Assoziationen. Die bekannten Wirkstoff-Krankheit Assoziationen k\u00f6nnen hierbei helfen eine vorhergesagte Assoziation zu erkl\u00e4ren. Ein probates Mittel zur Exploration von solchen komplexen pharmazeutischen Assoziationen sind Netzwerkansichten (z.B. EMBL STITCH<\/a>). Eine Netzwerkansicht, in der die einzelnen pharmazeutischen Entit\u00e4ten \u00fcber Assoziationen miteinander verbunden sind, erm\u00f6glicht hierbei eine schnelle Exploration der bekannten und vorhergesagten Wirkstoff-Krankheit Assoziationen.<\/p>\n

Vor diesem Hintergrund wurde im FID Pharmazie von unserem Kollegen Janus Wawrzinek<\/a> am Institut f\u00fcr Informationssysteme eine neue innovative PubPharm<\/a>-Funktion entwickelt \u2013 Drug-Disease-Networks<\/a> \u2013 die nun in PubPharm in einer BETA-Version zur Verf\u00fcgung steht (weiterf\u00fchrende Informationen zur Forschungst\u00e4tigkeit<\/a>). Mithilfe von KI (im Detail neuronalen Netzen) wurden Beziehungen zwischen pharmazierelevanten Entit\u00e4ten (Wirkstoffen, Erkrankungen und Genen) auf Basis von Forschungsliteratur ermittelt. Die Drug-Disease-Networks erg\u00e4nzen und visualisieren die bereits in PubPharm angezeigten Vorschlagslisten kontext\u00e4hnlicher, verwandter Substanzen, Erkrankungen\/Symptome und Gene bei der Suche nach Wirkstoffen bzw. Erkrankungen. Zur Nutzung der Vorschlagslisten konnte in einer repr\u00e4sentativen Umfrage<\/a> (N=157) Folgendes ermittelt werden: Ca. 70% der Personen, die PubPharm mehrmals im Monat oder \u00f6fter nutzen, gaben an, dass Sie diese kontext-basierten Informationen (semantische Facettierung) f\u00fcr Wirkstoffe, Erkrankungen\/Symptome oder Gene mehrmals im Monat oder \u00f6fter nutzen.<\/p>\n

 <\/p>\n

Den Zugang zu den Drug-Disease-Networks finden Sie in PubPharm direkt unterhalb der zentralen Eingabezeile. N\u00e4here Erl\u00e4uterungen zur Bedienbarkeiten finden Sie in der integrierten Hilfe.<\/p>\n

Verlinkungen zu weiterf\u00fchrenden Informationen (u.a. zur Comparative Toxicogenomics Database<\/a> und zur Wirkstoffdatenbank DrugBank<\/a>) unterst\u00fctzen die Interpretation der z.T. komplexen Entit\u00e4tsbeziehungen.<\/p>\n

\"\"<\/p>\n

 <\/p>\n

Gerade f\u00fcr neue Funktionen hilft uns Ihre R\u00fcckmeldung, diesen Service weiterzuentwickeln, zu optimieren und an Ihre Bedarfe anzupassen. Bitte schicken Sie uns Anmerkungen und W\u00fcnsche per E-Mail an pubpharm[at]tu-braunschweig.de. Vielen Dank f\u00fcr Ihre Unterst\u00fctzung!<\/p>\n","protected":false},"excerpt":{"rendered":"

Modelle aus dem Bereich der k\u00fcnstlichen Intelligenz (KI) k\u00f6nnen verwendet werden, um auf Basis von Literatur existierende Wirkstoff-Krankheit Assoziationen automatisch zu erkennen sowie neue vorherzusagen. Die Erkl\u00e4rbarkeit einer KI-basierten Vorhersage ist in vielen F\u00e4llen jedoch schwer nachvollziehbar und stellt somit ein Interpretationsproblem dar. Eine m\u00f6gliche L\u00f6sung f\u00fcr dieses Problem ist es solche Vorhersagen implizit \u00fcber […]<\/p>\n","protected":false},"author":179,"featured_media":2407,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1,7,9],"tags":[],"class_list":["post-2406","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-allgemein","category-pubpharm-features","category-pubpharm-rechercheplattform"],"_links":{"self":[{"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/posts\/2406","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/users\/179"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/comments?post=2406"}],"version-history":[{"count":5,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/posts\/2406\/revisions"}],"predecessor-version":[{"id":2426,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/posts\/2406\/revisions\/2426"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/media\/2407"}],"wp:attachment":[{"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/media?parent=2406"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/categories?post=2406"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.pubpharm.de\/index.php\/wp-json\/wp\/v2\/tags?post=2406"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}