- 综合排序
- 最热优先
- 最新优先
天然药物+临床样本+化合物库，三大找药物靶思路_MedChemExpress (MCE)
Section.01思路1：以药找靶——天然药物的靶点确定以药找靶，即已知药物具有活性，寻找药物作用靶点，其核心思路是利用已知的药物或活性分子作为探针，从复杂的生物体系中钓取其直接作用的蛋白质靶点。 Section.02思路2：基于疾病临床样本——BACE1靶点的发现道理很简单，对比疾病人群的临床样本与正常对照，筛选出疾病发生发展过程中表达水平或功能发生显著改变的关键生物分子，如蛋白质、差异基因等。 Step1.样本处理：疾病模型的建立临床样本并不是拿过来就能直接用的！ ，涵盖用于探索性研究和临床批准的靶向药物，以及临床上用于肉瘤患者治疗的一线和二线化疗药物[6]。 Cas9libraryscreeningtechnologyincancerresearch].NanFangYiKeDaXueXueBao.2019Nov30;39(11):1381-1386.Chinese.[6]
19510编辑于 2026-07-06- 来自专栏DrugOne
ACS Fall 2025 |12个最新公布的临床候选药物
在镰状细胞病小鼠与非人灵长类模型中，HbF 诱导效果优于临床常用的羟基脲。 展现出良好的溶解度、渗透性和强效的前临床疗效。 4、PF-07293893（Pfizer） Ph-1 | AMPK γ3 激活剂 面向心力衰竭治疗，通过片段基药物设计发现。 6、ETN029（Mariana Oncology / Novartis） Ph-1 | 宏环肽放射配体（DLL3 靶点） 应用于小细胞肺癌与神经内分泌型前列腺癌。 在炎症性肠病模型中疗效可比肩抗体药物。 8、AZD0233（AstraZeneca） Ph-1 | CX3CR1 拮抗剂 针对 CX3CL1–CX3CR1 轴，应用于扩张型心肌病。 总结 分子胶与蛋白降解 正在快速进入临床。 肽类与宏环分子 在放射配体和 PPI 靶向中展现潜力。 耐药克服与新型作用机制 成为焦点（如 FGFR2、WRN、PIP4K2C）。
43710编辑于 2025-09-02 - 来自专栏智药邦
Nat Chem Biol｜临床前药物发现中的机器学习
新药研发涉及多个复杂环节，包括靶点识别、化合物筛选、活性验证、作用机制阐明及临床前和临床试验等。传统的药物筛选方法，如高通量筛选（HTS），尽管可以大规模测试化合物库，但成本高昂且耗时。 据统计，从候选药物进入临床试验到最终上市的成功率仅为10%左右，大部分候选药物在临床试验阶段因缺乏疗效、毒性过高或不符合市场需求等原因而失败。 ML在药物研发中的应用 在这篇文章中，作者概述了各种机器学习方法在一系列疾病领域的小分子疗法临床前药物发现中的应用。 例如，利用ML模型预测溶解度、口服生物利用度、毒性和hERG安全性等参数，可以在药物发现的早期阶段就筛选出具有有利临床特性的候选药物。 药物特性预测 药物的溶解度、ADMET特性等是决定其临床成功与否的关键因素。ML算法在这些特性的预测中表现出色。
59110编辑于 2024-07-30 - 来自专栏DrugOne
为什么90%的临床药物开发会失败,如何改进?
该体系根据临床疗效、毒性和剂量的平衡对候选药物分成四类，这有助于改善药物的优化、临床研究和促进临床药物开发的成功率。 （1）选择可达到足够的临床疗效的最佳先导候选药物。在临床前和临床研究中已经投入了巨大的精力来提高药物疗效。（2）最大限度减少药物的临床毒性。但是目前还没有完善的策略来优化候选药物，以减少潜在的毒性。 四类候选药物(I-IV类)需要不同的策略来选择先导药物，优化临床剂量，平衡临床疗效/毒性。STAR的成功应用将提高四类不同候选药物的药物优化和临床研究效率，提高临床药物开发的成功率(如图2)。 STAR系统选择最佳临床候选药物，平衡临床剂量/疗效/毒性，以改进药物优化过程，从而提高临床药物研发的成功率。 I类候选药物是最理想的，在平衡临床剂量/疗效/毒性的临床试验中具有最高的成功率。 6 总结 本文讨论了在药物研发过程中，90%的临床药物开发在临床研究和药物审批中失败，并提出四种可能原因，尽管采取了许多正确策略，但是成功率仍然较低。
1.3K20编辑于 2022-11-28 - 来自专栏智药邦
Nat Rev Drug Discov｜创新药物的临床开发时间
其中，有35种创新药物没有提供临床开发开始日期，10种药物没有提供IND申请的最初提交日期，25种药物的最初临床开发发生在美国以外，没有提供首次人体试验日期。 图1 - 创新药物的临床开发时间 在过去的十年中，每年的药物的开发时间保持稳定，中位数为8.3年。 临床开发时间最短的两种药物都是小分子药物，这两种药物是osimertinib (奥希替尼，一种非小细胞肺癌治疗药物) 和elexacaftor (一种囊性纤维化治疗药物)。 osimertinib于2013年3月6日进入临床，其上市产品Tagrisso (泰瑞沙, osimertinib药物的商品名) 于2015年11月13日获得加速批准 (984天后)，于2017年3月31 近年来，创新药物的临床开发时间保持稳定。大多数产品在临床开发中花了十年的时间，而其他产品则需要更长的时间。然而，美国FDA的加速开发计划显然缩短了从进入临床试验到药物批准的路径。
61910编辑于 2022-06-08 - 来自专栏智药邦
Drug Discov Today｜AI：药物临床开发管理的必备工具
for managing the burgeoning complexity of clinical development in pharmaceutical R&D，文章探讨了人工智能如何成为管理药物研发中临床开发复杂性增长的关键工具 临床开发的复杂性挑战 药物研发者面临的最棘手挑战（同时也是最重要的机遇）是如何应对药物开发各阶段日益增长的复杂性。这些挑战正是生物医学取得非凡成就和加速发展的直接结果。 基因组测序技术结合数十年生物分子科学研究，催生了大量潜在药物靶点及其组合，以及包括传统小分子药物、生物制剂、核酸疗法、细胞与基因疗法，以及双靶点CAR-T细胞疗法、双/三特异性抗体和抗体药物偶联物等创新疗法在内的多种治疗方式 临床试验设计：从适应症选择到终点指标确定，从入排标准制定到合格患者筛选，临床试验设计涉及药物开发中的关键决策。 文件编制与监管提交：新药申请（NDA）通常超过10,000页，涵盖临床试验数据、生产细节和PK/PD数据。NDA编制需6-12个月，监管审查还需6-10个月。
57610编辑于 2025-02-25 - 来自专栏智药邦
Front Pharmacol｜DDIT：药物-疾病之间多种临床表型关联预测工具
背景 药物再利用（drug repurposing）为高速、低风险药物开发提供了一种有效方法。基于临床表型的筛选在发现一流小分子药物方面超过了基于靶点的方法。 原则上，已知药物的临床表型可分为适应症型（indication，I）、副作用（side effect，SE）和禁忌症（contraindications ，CI）。 合并这些药物-疾病相关性（DDA）的不同临床表型可以提高DDA的预测准确性。 ：（1）包括在已知药物适应症中的疾病和（2）由两种不同类型的临床表型共享的疾病。 总结 DDIT可帮助研究人员探索DDA的潜在临床表型，基于不同数据集与各自临床表型的整合，同时预测DDA的多种表型，以对患者进行药物筛选。DDIT使用药物作为可见单位，并为每种疾病建立RBM。
1.4K20编辑于 2022-11-16 - 来自专栏科研猫
临床样本组学研究Day6 : 临床样本的代谢组学研究
数据呈现：Be和Pro可以很好地区分HCC 与肝炎和肝硬化，其联合诊断的灵敏度和特异性要远优于目前临床使用的肝癌诊断指标AFP，尤其在AFP表达阴性的HCC患者中，诊断准确性为92%，具有很好的临床应用前景 启示：无论在做代谢组学还是蛋白质组学，当筛选到差异代谢物/蛋白质时，一定要和传统临床指标/传统危险因素进行校正。
1.9K31编辑于 2022-04-09 - 来自专栏智药邦
进入临床试验的AI设计的药物 汇总V1.0
越来越多的AI初创企业和制药公司使用AI来发现药物，那么目前都有哪些AI设计的药物进入了临床试验？ 本文对该方面公开可获取的信息进行整理。
91020发布于 2021-06-07 - 来自专栏智药邦
Drug Discov Today｜MD安德森癌症中心：利用AI增强临床前药物发现
导致药物创新成本增加的关键驱动因素包括后期临床损耗造成的投资损失，日益严格的监管体系（为批准设定了很高的标准），以及更高的临床试验成本（特别是对于关键试验）。 可以在整个药物发现和开发过程中应用人工智能技术（图1a）。有证据表明，临床疗效不佳是临床II期研究损耗的首要原因，强调靶点选择仍然是药物发现中最关键的决策之一。 以新疗法的形式将临床前发现转化为临床实践是临床开发中的最大挑战之一，而且临床候选药物往往在翻译过程中丢失。 图6a提供了计算机ADMET模型中此类产品的代表性列表。 图6 在计算机中预测吸收，分布，代谢，排泄和毒性（ADMET）。（a） ADMET和PhysChem端点，提供计算机模型。 图 6b 中说明了一个通用的数据驱动的 ADMET 模型构建过程。
1.1K21编辑于 2021-12-08 - 来自专栏科研猫
临床样本组学研究Day6 : 临床样本的单细胞转录组测序
今天我们就来聊聊基于临床样本的单细胞转录组测序。 在组织中分选特定细胞，组织样本的处理和细胞分选技术非常重要（技术注意事项可以多向测序公司咨询）； 3．对于利用临床样本纯单细胞测序研究来说，要重视单细胞测序数据分析算法的个性化，利用各种不同巧妙的算法尽可能多挖掘测序数据中隐藏的信息
2K21编辑于 2022-04-09 - 来自专栏DrugOne
. | 利用多向交互作用系统预测临床前药物组合效应
这项研究中，研究团队提出一个新的机器学习框架comboFM, 它可以精确地预测不同抗癌药物的组合在临床前研究中对特定癌细胞的反应，从而为系统地预筛选药物组合提供有效的手段。 ? 此外，在每种预测场景下，以及在使用各种top-%的极具协同作用的药物组合时，comboFM-5的判别准确率都处于较高水平（如图6）。 ? 图 6 comboFM-5在三种实际场景以及各种top-%下极具协同作用的药物组合的预测性能 3.3对预测的最具协同效应的药物组合进行实验验证 为了进一步证明combFM预测新颖和可靠的药物组合的能力， 这些实例显示了comboFM识别靶向和细胞毒性治疗的新药物组合的潜力，而这些药物已经单独用作淋巴瘤治疗，因此可能在临床应用中具有可接受的毒性特征。 这将最终加速联合疗法的临床应用，以对抗获得性耐药并提高治疗效果。
1.7K30发布于 2021-02-01 - 来自专栏生物医药
PharmaFormer 通过患者来源的类器官指导的迁移学习预测临床药物反应
然而，单个类器官培养和随后的药物反应测试既耗时又昂贵，这阻碍了其潜在的临床应用。 相应的药物反应数据，特别是曲线下面积（AUC）值，从癌症药物敏感性基因组学（GDSC2）（https://www.cancerrxgene.org/，版本8.5，2023年11月6日访问）获取。 这些数据集的样本量详细摘要，包括类器官、分子和药物反应测试的数量，提供在补充表6中。所有类器官基因表达数据经过处理，以确保与细胞系数据的一致性。 为了具体评估对临床相关药物的性能，根据FDA批准状态对药物进行注释。 transfer learning guided by patient derived organoidhttps://www.nature.com/articles/s41698-025-01082-6
45310编辑于 2026-05-23 - 来自专栏作图丫
【高分新文】Cancer Cell|肿瘤细胞系中临床相关蛋白的药物响应特征
为了填补这一空白，该工作使用反相蛋白阵列（RPPAs）生成并编辑了一个大的肿瘤细胞系对多种临床相关药物响应的的扰动蛋白表达谱。 6.药物组合的预测和验证 首先从完整的connectivity map中提取以每个以药物为中心的（drug-centered）connectivity map（图6）。 在这个图谱里，每一个节点代表一个蛋白或一个药物，基于是否药物治疗引起蛋白的显著改变对蛋白质-药物联通，基于是否两个药物引起相似蛋白响应对药物-药物联通（图6A）。 基于STRING数据库，发现扰动蛋白互作多，说明一个药物导致的co-perturbed蛋白趋向涉及相同生物学通路并且作为一个信号级联的一部分进行互作（图6B）。 最后识别到 9类药物的150种药物组合（图7B）。发现>50%识别的药物组合有在文献报道或临床研究。 然后，集中于selumetinib + MK-2206这组药物组合进行CTRPv2敏感性验证分析。
1.5K20编辑于 2022-03-29 - 来自专栏DrugOne
全球首款间充质基质细胞药物获FDA批准开展临床试验
天士力医药集团股份有限公司开发的全球首款异体脂肪间充质基质细胞（AD-MSCs）治疗急性缺血性脑卒中的药物（NR-20201），于2024年10月26日获得美国食品药品监督管理局（FDA）临床试验批准。 因此成为全球首款间充质基质细胞药物产品。
25410编辑于 2024-11-23 - 来自专栏人工智能
人工智能辅助药物研发的现状与未来：从算法到临床的跨越
人工智能辅助药物研发的现状与未来：从算法到临床的跨越现状：AI 制药的“七年之痒”1.1 管线数据：临床前繁花似锦，临床后寥寥无几维度数据（截至 2025 Q1）全球 AI-First 药物管线≈ 230 条进入临床 I 期51 条进入临床 III 期2 条（EG-007、REC-994）已获批上市0 条区域格局：美国仍占 70 % 以上；中国 14 条管线进入 I 期，仅 3 条进入 II 期 。 平台将靶点发现时间从 3–5 年缩至 12 个月 先导化合物生成GENTRL（Insilico）、Centaur Chemist（Exscientia）46 天完成纤维化靶点先导化合物；成本下降 70 % 药物重定位 self.layers = torch.nn.ModuleList([ Pocket2MolLayer(hidden_dim, hidden_dim) for _ in range(6) 结论：从“AI 设计”到“AI 成功”人工智能辅助药物研发正处在跨越鸿沟的关键期。
83710编辑于 2025-07-26 AI驱动的多肽药物设计：从预测建模到生成式AI与临床转化
二、多肽药物的药代动力学瓶颈 尽管治疗潜力巨大，多肽的临床转化长期受制于以下系统性药代动力学障碍： 2.1 快速酶解降解 多肽进入血液循环后，迅速被DPP-IV等蛋白酶识别并降解，导致活性半衰期极短（有时仅数分钟 多肽候选药物临床失败的主要驱动因素是ADMET性质缺陷。 六、临床转化案例深度解析 6.1 司美格鲁肽 — 药代动力学的理性工程 问题： 天然GLP-1骨架遭受快速酶解和肾清除，无法维持有效治疗浓度。 8.3 化学词汇表的扩展 未来生成框架必须将非经典氨基酸和多样化化学修饰纳入生成过程，使AI模型能够直接优化内在稳定性和生物利用度，从根本上弥合计算命中物与临床候选药物之间的鸿沟。 九、核心结论 维度 核心观点 范式转变 多肽药物发现正从随机筛选转向由AI与物理原理共同驱动的理性从头设计 最优架构 AI驱动生成 + 物理验证精修的闭环协同，而非任一方法的单独应用 临床差距 体外计算优化与体内疗效之间的系统偏差是当前最关键的转化障碍
55310编辑于 2026-06-24- 来自专栏医学和生信笔记
1行代码提取6种TCGA表达矩阵和临床信息
“医学和生信笔记，专注R语言在临床医学中的使用、R语言数据分析和可视化。主要分享R语言做医学统计学、临床研究设计、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。 脚本已上传到QQ群，需要的小伙伴加群下载即可~ 只需要1行代码就可以获取分别获取mRNA和lncRNA的counts/fpkm/tpm总计6种类型类型的表达矩阵以及临床信息，表达矩阵是标准形式，行是基因 完成后会在当前目录多出一个output_expr文件夹，里面就是6个表达矩阵和临床信息： 完成后会多出一个文件夹 output_expr文件夹里面就是提取好的信息： 提取好的表达矩阵和临床信息 TCGA-LUSC_expr.rdata ：原始的se对象，所有信息都是从这里面提取的； TCGA-LUSC_clinical.rdata：TCGA-LUSC的临床信息； TCGA-LUSC_lncRNA_expr_counts.rdata：lncRNA fpkm矩阵； TCGA-LUSC_mRNA_expr_tpm.rdata：mRNA的tpm矩阵； 表达矩阵示例： lncRNA的counts矩阵 mRNA的counts矩阵 mRNA的tpm矩阵 临床信息
1.4K10编辑于 2022-11-15 - 来自专栏智药邦
Drug Discov Today｜用生物医学知识图谱阐释药物的临床结果路径
COP是一系列关键事件：启动-中间事件-临床结果。 COP将加深我们对药物作用的生物学路径的理解。 COP概念可以加速药物发现和再利用。 摘要 在这里，我们提出了一个广义的“临床结果路径(COP)”的概念，它被定义为一系列关键的分子和细胞事件，这些事件是药物分子治疗效果的基础。 COP的阐释和前瞻性价值 这里将展示几个药物治疗案例，进一步阐释COP的概念。 例如，属于同一药理类别的两种药物往往不会产生相同的临床结果。 对这些区别的考虑对于多向药理学的研究也是至关重要的，这与药物发现和临床应用（如精神分裂症的治疗）高度相关。 任何药物有可能具有多种COP，针对不同的疾病有不同的治疗效果，这促使了药物重定位概念的兴起。 因此，确认针对新的适应症的批准药物的COP假设，可以驱动药物重定位上的创新。最近对COVID-19病人的真实世界的临床观测表明，利用COP框架对于支持药物重定位的重要性。
1.2K10编辑于 2022-04-13 - 来自专栏临床预测模型
临床预测模型概述6-统计模型实操-Lasso回归
基础知识回顾：tps://mp.weixin.qq.com/s/pXRZ1rYUr3lwH5OlDeB0_Qhttps://mp.weixin.qq.com/s/UVR6ZHCwhWqTfFBmPYPV9Qhttps 通常该方法用于筛选自变量(大量的基因数据/临床参数等)，有时候也可以用于获取建模前自变量的系数。 6. 绘制路径图：● 可以绘制系数路径图或交叉验证曲线来直观地查看模型在不同λ值下的表现，从而更好地选择合适的λ值。4. 0,]nrow(coef)lassoGene = coef$genelassoGene# [1] "NLRC4" "PJVK" "CASP8" "BAK1" "GSDME" "NLRP6" ayueme.github.io/R_clinical_model/feature-selection_lasso.html3、生信小白要知道：https://mp.weixin.qq.com/s/kSrr6regfAtX4Bw6gSvmgw
1.6K10编辑于 2024-08-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号