Fibrosis is a key component in the pathogenic mechanism of a variety of diseases. These diseases involving fibrosis may share common mechanisms and therapeutic targets, and therefore common intervention strategies and medicines may be applicable for these diseases. For this reason, deliberately introducing anti-fibrosis characteristics into predictive modeling may lead to more success in drug repositioning. In this study, anti-fibrosis knowledge base was first built by collecting data from multiple resources. Both structural and biological profiles were then derived from the knowledge base and used for constructing machine learning models including Structural Profile Prediction Model (SPPM) and Biological Profile Prediction Model (BPPM). Three external public data sets were employed for validation purpose and further exploration of potential repositioning drugs in wider chemical space. The resulting SPPM and BPPM models achieve area under the receiver operating characteristic curve (area under the curve) of 0.879 and 0.972 in the training set, and 0.814 and 0.874 in the testing set. Additionally, our results also demonstrate that substantial amount of multi-targeting natural products possess notable anti-fibrosis characteristics and might serve as encouraging candidates in fibrosis treatment and drug repositioning. To leverage our methodology and findings, we developed repositioning prediction platform, drug repositioning based on anti-fibrosis characteristic that is freely accessible via https://www.biosino.org/drafc.

中文翻译：

---

AFC 博士：通过抗纤维化特性重新定位药物。

纤维化是多种疾病发病机制的关键组成部分。这些涉及纤维化的疾病可能具有共同的机制和治疗目标，因此共同的干预策略和药物可能适用于这些疾病。出于这个原因，故意将抗纤维化特征引入预测模型可能会在药物重新定位方面取得更大的成功。本研究首先通过收集多种资源的数据建立抗纤维化知识库。然后从知识库中导出结构和生物剖面，并用于构建机器学习模型，包括结构剖面预测模型 (SPPM) 和生物剖面预测模型 (BPPM)。三个外部公共数据集用于验证目的，并在更广泛的化学空间中进一步探索潜在的重新定位药物。由此产生的 SPPM 和 BPPM 模型在训练集中实现了 0.879 和 0.972 的接收器操作特性曲线下面积（曲线下面积），在测试集中实现了 0.814 和 0.874。此外，我们的研究结果还表明，大量的多靶向天然产物具有显着的抗纤维化特性，可能作为纤维化治疗和药物重新定位的候选药物。为了利用我们的方法和发现，我们开发了重新定位预测平台，基于抗纤维化特征的药物重新定位，可通过 https://www.biosino.org/drafc 免费访问。由此产生的 SPPM 和 BPPM 模型在训练集中实现了 0.879 和 0.972 的接收器操作特性曲线下面积（曲线下面积），在测试集中实现了 0.814 和 0.874。此外，我们的研究结果还表明，大量的多靶向天然产物具有显着的抗纤维化特性，可能作为纤维化治疗和药物重新定位的候选药物。为了利用我们的方法和发现，我们开发了重新定位预测平台，基于抗纤维化特征的药物重新定位，可通过 https://www.biosino.org/drafc 免费访问。由此产生的 SPPM 和 BPPM 模型在训练集中实现了 0.879 和 0.972 的接收器操作特性曲线下面积（曲线下面积），在测试集中实现了 0.814 和 0.874。此外，我们的研究结果还表明，大量的多靶向天然产物具有显着的抗纤维化特性，可能作为纤维化治疗和药物重新定位的候选药物。为了利用我们的方法和发现，我们开发了重新定位预测平台，基于抗纤维化特征的药物重新定位，可通过 https://www.biosino.org/drafc 免费访问。我们的研究结果还表明，大量的多靶向天然产物具有显着的抗纤维化特性，可能作为纤维化治疗和药物重新定位的候选药物。为了利用我们的方法和发现，我们开发了重新定位预测平台，基于抗纤维化特征的药物重新定位，可通过 https://www.biosino.org/drafc 免费访问。我们的研究结果还表明，大量的多靶向天然产物具有显着的抗纤维化特性，可能作为纤维化治疗和药物重新定位的候选药物。为了利用我们的方法和发现，我们开发了重新定位预测平台，基于抗纤维化特征的药物重新定位，可通过 https://www.biosino.org/drafc 免费访问。