- 综合排序
- 最热优先
- 最新优先
- 来自专栏作图丫
药物优化算法-PriorCD
该R包将药物功能相似网络和全局网络传播算法相结合，实现了对感兴趣的癌症治疗药物优先级的预测方法。此外，用户可以验证优先排序结果，并可视化得到的药物网络结构。 对这些药物的相关性结果构建网络，节点为药物，边为功能相似显著性，最终这个网络为药物-药物功能相似性网络。 对于每个药物，选取相关系数 ≥ 0.7，FDR ≤ 0.05， 相关系数top 0.05% 的药物，为其显著相似的药物。然后合并基于mRNA和microRNA通路的药物功能相似网络。 评估药物相似性：Drsim 整合NCI-60癌细胞的通路活性与药物活性相结合，评估药物的相似性，构建药物功能相似网络。 Drsim函数用于构造药物相似性的二元邻接矩阵，其中1表示药物之间具有强相似性，0表示药物之间具有弱相似性。
68542编辑于 2022-03-29 - 来自专栏数据派THU
【干货书】深度学习生命科学：药物发现与药物发现
理想的实践开发人员和科学家准备将他们的技能应用于科学应用，如生物学，遗传学，和药物的发现，这本书介绍了几个深度网络原语。
35310编辑于 2022-05-12 - 来自专栏生物信息与临床医学专栏
高血压药物简介
在这一期的内容中，我将和大家简单介绍高血压的常用药物。 1. 常用降压药的机制 在临床实践中，常见的高血压药物主要分为5类： （1） 利尿剂（diuretic）：代表药物有氢氯噻嗪（噻嗪类）、呋塞米（袢类）、螺内酯（保钾类）和吲达帕胺（磺胺类）等； （2） 血管紧张素转化酶抑制剂 （angiotensin-converting enzyme inhibitor，ACEI）：代表药物有卡托普利、依那普利、贝那普利和雷米普利等（都是以“普利”结尾的）； （3） 血管紧张素受体阻滞剂（ angiotensin receptor blocker，ARB）：代表药物有厄贝沙坦、氯沙坦和缬沙坦等（都是以“沙坦”结尾的）； （4） 钙离子通道阻滞剂（calcium channel blocker 高血压用药的总原则 （1） 小剂量：减少不良反应的发生； （2） 选择长效制剂：保证血药浓度稳定，使药物作用稳定持久； （3） 联合应用：联用机制不同的药物，使彼此的疗效相加，副作用相消； （4） 个体化治疗
51720发布于 2020-08-05 - 来自专栏DrugOne
DPDDI：用于药物-药物相互作用的深度预测器
作者开发了DPDDI模型，在不考虑药物化学和生物特性的情况下，仅使用药物-药物（DDI）网络作为输入，便可预测潜在的DDI，还可用于检测药物副作用、指导联合用药等。 GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量，通过训练模型，来预测潜在的药物-药物相互作用。 用于评估模型的健壮性，包括1934种药物和230,887个已注释的药物-药物相互作用。 CE使用了9个药物相关的数据源，而DPDDI仅使用了已知的药物-药物相互作用数据，如果整合更多的药物相关的数据源(如药物亚结构、药物靶点、药物酶、药物转运体、药物途径、药物适应症、药物副作用和药物副作用等 )去构建药物-药物相似度网络。
1.8K60发布于 2021-02-02 - 来自专栏生信技能树
药物预测之认识表达量矩阵和药物IC50
如果IC50超级高，比如解决好几百大几千说明这是一个废物药物，约等于没有疗效。 如果IC50超级低，比如无限接近于0，说明这个药物就是传说中的灵丹妙药！ 还有另外一个展现方式，就是看针对具体的细胞系来说，那些药物有奇效那些药物是打酱油。 的药物表现，并没有太大的意义。 但是，我们可能是更想看到的是药物名字啦！ ，后面的6个是废物药物啦。
5.7K20发布于 2021-10-12 - 来自专栏DrugOne
Bioinformatics | 预测药物-药物相互作用的多模态深度学习框架
它将不同的药物特征与深度学习相结合，建立了一个预测药物相互作用相关事件的模型。 DDIMDL首先分别利用四种药物特征:化学子结构、靶点、酶和通道，构建基于深度神经网络的子模型，然后采用联合DNN框架组合子模型，学习药物-药物对的跨模态表征，预测药物与药物相互作用（DDI, drug–drug 首先，作者使用四种类型的药物特征来计算药物-药物的相似性，并使用它们作为药物的表征。在多层神经网络的基础上，将药物的表示分别输入子模型。 对于task 2和task 3，作者将5-CV用于药物而不是DDI对。作者将药物随机分成五组，其中四组作为训练药物，其余的作为测试药物。 对于task 2，我们在训练药物之间的DDIs上建立预测模型，然后对训练药物和测试药物之间的DDIs进行预测。任务3在训练药物之间的DDIs上建立预测模型，然后对测试药物之间的DDIs进行预测。
1.9K80发布于 2021-02-01 - 来自专栏DrugScience
2020 年FDA药物总览
神经类药物（Neurology products ）占据第二位，有8种药物获批（占总体15%）。传染病类药物排在第三位，有6种药物获批（占据总体的11%）。 他们的预测表明，2020年新批准药物的平均预期峰值销售额为7亿美元，中位数为4亿美元。这低于平均水平的13亿美元和5亿美元的中位数。 ? 抗体类药物在上升 抗体类药物共有12项被批准。 这种药物曾被誉为GPCR激动剂的典型代表，这种药物激活GPCR的一个子集受体的信号通路。 考虑到这一事实，它可能需要一个较长的时间来衡量一种药物的预期临床效益，在1992年FDA制定了加速审定条例。这些规定允许批准一些治疗严重疾病的药物（这些药物填补了替代终点即可）。 ADC：抗体偶联药物(Antibody-Drug Conjugate，ADC)是采用特定的连接子将抗体和小分子细胞毒药物连接起来，其主要组成成分包括抗体、连接子和小分子细胞毒药物(smallmolecular
1.3K20发布于 2021-03-04 - 来自专栏DrugOne
量子药物发现的未来
编译 | WJM 自1869 年第一个合成药物水合氯醛被发现以来，制药公司一直在激烈竞争以寻找下一个重磅药物。 介绍 每个人对药物都具有个体差异。基因差异意味着药物分子与我们的身体具有独特的相互作用，从而导致有效性和副作用之间的差异。平均而言，药物开发需要12年时间和超过10亿英镑来开发每种新药。 此外，对于实验室中每确定10到20种药物，只有一种药物会到达患者手中，而其他药物则会在此过程中失败。一旦发现潜在的候选药物，将对其进行开发，以最大限度地提高整个人群的益处并最大限度地减少副作用。 但是，如果计算机可以加快药物发现过程，使药物更有可能有效并产生更少的副作用呢？如果它甚至可以为一个人量身定制药物，以最大限度地提高疗效并最大限度地减少反应，那会怎么样？ 当前药物开发的问题 2020 年，FDA 批准了 53 种药物，是过去 20 年中批准药物数量最高的之一。
71720发布于 2021-10-11 - 来自专栏智药邦
网络驱动的药物发现
1 目标 药物发现的一个主要问题是人类生物学的复杂性。药物发现的核心目标是找到能够有效调节目标生物过程，同时对其他过程几乎没有影响的治疗药物。 早期药物发现中需要新的、基于系统的方法 许多观察结果强调了在早期药物发现中需要新的、基于系统的方法： 分析多个药物发现项目的成功和失败得出的结论是，大量晚期临床失败的原因，是不正确或无效的生物学靶点。 从寻找能够影响表型的药物，到寻找能够扰乱潜在的、基于网络机制的药物，这种概念上的转变有许多影响。 3.1 网络识别 网络驱动的药物发现方法的第一阶段是制定干预策略假设。 药物发现的目的是找到能够显著扰乱目标表型所依据的强大网络的药物。 这也意味着潜在的药物靶点不需要是负责目标生物功能的网络的一部分 (尽管它们显然可以在一定距离内影响它)。药物可以通过信号或代谢途径产生”远距离作用"，将药物结合事件转化为下游功能效应。
61210编辑于 2022-06-08 - 来自专栏ATYUN订阅号
AI算法从零开始设计药物分子，可加速新药物的设计
北卡罗来纳大学开发新的AI算法，可以教会它从头开始设计新的药物分子，并有可能大大加速新药物的设计。 ReLeaSE是虚拟筛选的一项强有力的创新，虚拟筛选是制药行业广泛用于识别可行候选药物的计算方法。虚拟筛选允许科学家评估现有的大型化学库，但该方法仅适用于已知化学品。
54020发布于 2018-08-16 - 来自专栏DrugOne
药物设计的深度学习
与传统的机器学习（machine learning, ML）算法相比，DL方法在小分子药物发现和开发方面还有很长的路要走。对于DL研究的推广和应用，例如小分子药物研究和开发，还有很多工作要做。 现代计算机辅助小分子药物发现和开发中，ML方法，特别是传统学习方法被广泛用于构建预测模型，如定量结构-活性关系（QSAR）模型和定量结构-性质关系（QSPR）模型 等等。 在药物开发领域，使用Merck活性数据集的Merck Kaggle挑战以及使用其基准数据集的Tox21挑战极大地加速了ML方法在QSAR / QSPR研究中的应用。 四、深度学习在小分子药物设计中的应用 计算化学的三个主要领域已经报道了DL模型预测药物-靶标相互作用，产生新的分子，并预测转化研究的吸收、分布、代谢、排泄和毒性。 总体而言，小分子药物发现将变得越来越复杂。专为复杂的模拟而设计，DL应该有能力处理这种复杂性。
1.2K50发布于 2021-01-29 - 来自专栏DrugOne
IEEE TPAMI | 多属性判别表示学习预测药物-药物间不良反应
假设有N种药物，M种属性，对于ADDI模型我们首先得到药物的属性矩阵：X = {Xm}；该模型的首先在N个药物中选出n（n<N）个药物和m（m<M）个特征，通过特征重构（Hij）与生成对抗网络对共享信息和特异信息进行提取 这样，可以通过Wm得到第m个属性的代表性药物和它的判别特征，并根据所选择的药物和特征导出药物对的重构属性表示。在这里，我们首先采用sum-pooling运算得到药物和特征的选择索引。 4 数据集 从数据库DrugBank, KEGG, SIDER, CTD得到八种药物属性： 作者收集了N=567种药物，包含1,188,258 ADDI药物对，每一对药物间存在K=258种相互关系。 ，用于预测药物-食品和药物-药物的相互作用； BSNMF：使用药物分子结构的平衡矩阵分解模型； CAST：一种表示学习模型，利用药物的分子子结构预测ADDI； SMLS：基于多属性相似度的大规模ADDI 、药物-蛋白质相互作用和药物副作用信息进行ADDIs的预测。
57210编辑于 2022-03-25 - 来自专栏DrugOne
IJCAI2020 | 知识图神经网络预测药物与药物相互作用
在本文中，作者提出了一个称为知识图神经网络（KGNN）的端到端框架，以预测药物与药物相互作用（DDI）。 KGNN框架可通过在知识图谱（KG）中挖掘与药物关联的实体关系，以有效地获取药物及其潜在的邻居实体信息。 1 介绍 当一种药物与另一种或多种药物合用时，通常会发生药物相互作用（DDI），这可能导致许多不良药物反应（ADR），甚至造成伤害或导致死亡。 在第三步中，为预测药物对之间的相互作用，KGNN输出药物的潜在表示及其当前药物对之间的邻域拓扑信息。然后，KGNN计算它们之间的得分函数，并输出相互作用的预测值。 4 结论 在这项工作中，作者提出了KGNN，一个新颖的知识图神经网络模型预测药物与药物相互作用。
1.1K60发布于 2021-02-01 - 来自专栏生信菜鸟团
药物发现 | 基于人工智能的胰腺癌协同药物组合发现
因此，发现具有高疗效和低毒性的抗胰腺癌药物至关重要，这也是肿瘤学界面临的最具挑战性的任务之一。 Para_02 药物组合已成为许多疾病的标准疗法，包括疟疾、HIV、结核病和癌症。 在临床环境中已经发现了有效的药物组合。 同时，越来越多的非临床研究致力于识别协同作用的药物对。 已批准的药物具有已知的毒性特征和大规模可获得性，是这些发现的理想候选药物。 历史上，QSAR研究主要集中在单药治疗上，但最近的进展已转向预测药物协同作用。 Cheng等人引入了一种基于QSAR的生物网络邻近度测量方法，用于预测高血压和癌症中的药物协同作用。 、I至III期试验药物以及临床前分子。 对测试集（160万唯一药物对）进行虚拟筛选，以去除不表示上述24个MOA对中的任何一个的药物对，得到一个由MOA模型优先选择的888个唯一药物对子集。
34610编辑于 2025-06-20 - 来自专栏智药邦
云计算提速人工智能辅助药物发现，药物研发全面步入“AI时代”
因此，也就不难理解近年来日渐成熟且炙手可热的人工智能辅助药物发现 (以下称AIDD: AI Drug Design) 为何在短短数年间就从萌芽发展到几乎参与从药物靶点发现到临床试验等药物研发的全流程。 由此预示着药物研发正全面步入 “AI时代” 。 AIDD带来药物研发大提速 新药研发一直是人类科研领域中极具风险和复杂度、且耗时最漫长的技术研究领域之一。 云计算推进AIDD成为常态化工具 2021年，亚马逊云科技客户、AI药物研发公司英矽智能宣布了全球第一款由AI发现并设计的用于特发性肺纤维化治疗的候选药物已进入临床试验阶段。 而且MELLODDY在企业无需共享专有数据和模型的基础上即可开展机器学习协作，合作训练药物发现模型。这一项目成功证明了制药企业可通过云计算进行合作来加速发现新药物的可行性。 中国的药物研发领域的众多企业在迎来政策激励的同时，也开始发掘AIDD背后的商业潜力。
70930编辑于 2022-11-16 - 来自专栏DrugOne
AI设计药物，泡沫还是未来？
原文标题：又被鼓吹AI药物设计的文章吵醒 作者：0ut0fcontrol ，北京生命科学研究所 | 博士研究生 2020年5月21日早上看到一篇文章“人工智能正在永远改变药理学”, 佐证是另一个 AI设计的药物DSP-1181(BBC NEWS | AI设计的新药分子首次进入临床试验)。 药物开发大约需要5年才能开始试验，但DSP-1181仅用了一年。那么，开发团队如何如此迅速地生产它？
87970发布于 2021-02-02 - 来自专栏大数据文摘
药物研发中的大数据
大数据具有这样的潜能，即以三种至关重要的方式促进药物研发的效率。 1. 大数据帮助公司理解研究形势 如今，科研工作的主要分享来源于其他公司和科研机构。 大数据也能帮助制药者解密一种疾病的生物衍生物或者一种药物的作用原理 这也许包括识别一种靶定的代谢途径，或者理解一种疗法的可能影响。 举个例子，治疗慢性病药的真正好处比如他汀类用了多年时间才得以显现。 最后，大数据可以用来正确匹配药物和患者人群 数据挖掘和机器学习使得公司去识别哪些人群 对于某些特定的药物反应最强烈，通过变量组合比如性别，种族，病史或更多。 通过分析一种药物的疗效以及在哪种病人身上疗效最优，公司能够识别额外的干预措施-包括其他治疗和药物递送机制-也许会被用来提高产品功效。
1.2K80发布于 2018-05-21 - 来自专栏Python项目实战
量子计算如何颠覆药物研发？
量子计算凭借其强大的并行计算能力，为药物研发提供了全新的视角。1. 传统计算的瓶颈目前，新药开发的关键步骤包括：靶点发现：确定疾病相关蛋白或分子。分子模拟：分析药物分子如何与靶点相互作用。 化合物筛选：从庞大的数据库中筛选出潜在药物。临床试验：对潜在药物进行安全性和有效性测试。传统计算方法在第二步和第三步中尤为困难。 未来应用场景(1) AI + 量子计算，增强药物设计量子计算和人工智能的结合将进一步提高药物研发效率。例如，AI 可以用于分析药物分子的物理化学性质，而量子计算可以提供更精确的量子化学模拟。 (3) 精准医疗通过量子计算对患者的基因进行分析，可以预测个体对不同药物的反应，从而实现个性化治疗，提高疗效。4. 算法优化：适用于药物研发的量子算法仍需改进。商业化落地：量子计算的实际应用仍需与制药企业深入结合。随着科技的进步，量子计算有望在未来10-20年内成为药物研发的重要工具，助力医学突破。
68000编辑于 2025-02-23 - 来自专栏生信技能树
药物预测R包之oncoPredict
有了前面的教程：药物预测之认识表达量矩阵和药物IC50 的背景知识铺垫，认识了Cancer Therapeutics Response Portal (CTRP) 和 Genomics of Drug 现在我们可以尝试一下使用R包之oncoPredict对你的表达量矩阵进行药物反应预测啦！ oncoPredict") 如果遇到版本问题，请看：https://mp.weixin.qq.com/s/HGfePIQP4yP_nvhjiWdpAQ 使用方法超级简单 首先需要读入训练集的表达量矩阵和药物处理信息 ，参考前面的教程：药物预测之认识表达量矩阵和药物IC50 rm(list = ls()) ## 魔幻操作，一键清空~ options(stringsAsFactors = F) library(oncoPredict testExpr[1:4,1:4] colnames(testExpr)=paste0('test',colnames(testExpr)) dim(testExpr) 了训练集的表达量矩阵和药物处理信息
10.9K41发布于 2021-10-12 - 来自专栏DrugOne
被“嫌弃”的AI药物设计
前两天看到一篇题为“AI设计药物，泡沫还是未来？” 作为一个AI制药的科研从业者，笔者赞同上述两个公司的化合物创新性不够突出的看法，但却很难认同作者作为一个专业科研人员在未深入了解这个领域的情况下去打击人们对AI药物设计的兴趣。 虽然我同意关于人工智能在药物研发领域”有些夸大的说法，但这并不意味着AI在这方面没有真正的实际收获。 世界的AI药物设计到底是泡沫还是未来笔者也看不清楚，但中国的AI制药还远远谈不上泡沫。 望药物设计界的前辈和同僚不要丧失对新工具的兴趣与探索，也望正在从事AI药物设计的同行们再接再厉，早日做出真正值得为之欢呼的优秀成果。 AI正在努力理解制药的困境，希望制药也能对AI多一些包容和好奇。
1.1K40发布于 2021-02-02
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