- 综合排序
- 最热优先
- 最新优先
- 来自专栏智药邦
近年来GSK在AI药物研发领域发表的11篇论文
本文对近年来 (2020年1月至今) GSK在AI药物研发方面的11篇论文 (不完全统计) 进行整理。 深度度量学习在分子图相似性中的应用 Coupry DE, Pogány P. J Cheminform. 2022 Mar 12;14(1):11. doi: 10.1186/s13321-022-00595-7. human inclusion测试探索了三种算法重现GSK药物化学家想法的能力（化学家的想法被用作测试集，以探索算法复制药物化学家探索化学空间方法的能力）；human imitation测试探讨了药物化学家如何感知额外的算法生成的想法 Trends Biotechnol. 2021 Nov;39(11):1120-1130. doi: 10.1016/j.tibtech.2021.02.004. AI和ML在药物警戒领域的广泛应用包括：预测药物审批、患者自动报告不良事件、药物编码、不良事件报告因果关系评估、疾病预测等。
84620编辑于 2022-11-16 - 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。
39110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
58020发布于 2020-08-05 - 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。
74442编辑于 2022-03-29 - 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。
2K80发布于 2021-02-01 - 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
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。 413.01 471.66 939.02 [10,] 3736.69 436.98 489.76 989.15 [11 [10,] "Nelarabine" "Nelarabine" "SB216763" "ML323" [11 ，后面的6个是废物药物啦。
5.8K20发布于 2021-10-12 - 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。
1.9K60发布于 2021-02-02 - 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%）。 EvaluatePharma的销售预测显示，到2026年，有11种产品有望实现畅销（表3）。其中四款年销售额可能超过20亿美元。 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。 去年11月，一个独立的咨询小组投票反对批准这种抗体。当然，FDA没有义务遵循这一建议。 Setmelanotide (Imcivree) Rhythm MC receptor agonist4 Rare genetic diseases of obesity P, O, B PSMA-11
1.4K20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。
76920发布于 2021-10-11 - 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。
1.3K50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
通过与11种模型比较，在公开数据集上验证了MADRL算法的有效性。 这个框架的目的是区分属性间和属性内的表示，并使用共享的平均信息和对齐特定信息用于ADDI的预测； 作者进行了大量的实验来评估MADRL与11个基线及其6个升级模型的性能。 5 结果 与11种模型进行了比较，分别是： LPSE：一种采用药物临床副作用使用标签传播方法的ADDI预测模型； MDRM：基于药物分子机构的多任务回归模型； DLM：一个深度学习框架，输入药物名称和分子结构 Table4显示了11种模型的比较结果。MADRL在多数指标的表现优于其它模型。 与11种基线模型相比的Accuracy、AUC、AUPR结果
63410编辑于 2022-03-25 - 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。
69610编辑于 2022-06-08 - 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。
56820发布于 2018-08-16 - 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？
92470发布于 2021-02-02 - 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。
76030编辑于 2022-11-16 - 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
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。 、I至III期试验药物以及临床前分子。 Para_02 MIPE4文库的初步筛选是通过重复单药剂量反应方式进行的（11个连续稀释度，1:3，范围为[46微摩尔 – 0.78纳摩尔]）。 每个1536孔板包括一个DMSO对照（IC0）和一种已知的抗癌药物硼替佐米（Bortezomib），作为阳性对照（IC100）。 提供了一个包括对阴性对照和阳性对照响应的筛选板示例，见补充图11。 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。
39510编辑于 2025-06-20 - 来自专栏Reinvent Data Science
Milvus 赋能 AI 药物研发
、更高效的药物研发时代。 比如新药研发过程药物晶型预测可以结合 Milvus 在图像识别的应用，有效的预测出合适的药物晶型；靶点筛选和患者招募过程可以抽象为对文本语义分析问题，可以结合 Milvus 在自然语言处理的应用，快速分析有关药物研发的文本数据等 虚拟药物筛选是新药研发过程中的一个关键步骤，通过模拟药物筛选的过程，预测化合物可能的活性，对比较有可能成为药物的化合物进行针对性的实体筛选，极大的降低了药物研发的成本。 Milvus 能够广泛的应用在药物研发的各个阶段，通过将成熟的 AI 模型结合 Milvus 向量搜索引擎，一定会为药物研发领域带来更多颠覆性的技术突破。 我们相信 Milvus 必将会在药物研发的其他各个领域获得更广阔的应用前景，期待与 AI 药物研发领域的有志同仁携手共建 Milvus 这一 AI 数据处理平台。
1.3K10发布于 2020-05-24 - 来自专栏DrugOne
药物开发的社交图谱
药物开发是一个非常困难，旷日持久且昂贵的过程。当一家制药公司开始生产一种新药时，它已经通过了临床试验的所有阶段。 许多制药公司都在内部存储了药物蛋白质相互作用集，即能够与人体某些部分相互作用的成千上万个候选分子。这是许多药物开发项目的起点。然后根据可行的方法和合理的方法对它们进行缩减。 甚至在将药物放入人体之前，可能最终会得到250个候选分子左右。 1 临床试验过程的简要概述 阶段1：研究对少量患者给药时药物的安全性。通常在第1阶段的试验中包含10个人。 阶段2：重新评估安全性-对人类安全吗？并着眼于预期的治疗效果。 第2阶段中，该药物针对100例患者进行了测试。 阶段3：最终的安全性和功效检查-这种药物会意外杀死您并且对您有好处吗-并问这是否比目前生产的药物做得更好？ 大量受试者可以使临床试验受益。
60810发布于 2021-01-19 - 来自专栏智药邦
药物发现中的深度学习
总之，这些结果表明了在药物发现过程中采用深度学习策略的潜在好处。 2 介绍 20世纪末，化学信息学被引入药物研发过程。湿实验方法开发药物成功率低、耗时长、花费高，药物研发过程转向了新的范式。 计算机辅助基于结构的药物设计（structure-based drug design, SBDD）和基于配体的药物设计（ligand-based drug design, LBDD）方法在计算药物设计过程中占有一席之地 4 药物从头设计 药物从头设计是一种基于特定靶标所需特征构建新化学实体的计算技术。深度学习模型，改进了从头开始的过程。 图3 深度学习算法在药物发现中的应用，包括从头药物设计、理化性质预测、药物亲和力预测、QSAR、ADME性质预测、毒性分析，以及最新应用于SARS-CoV-2的药物发现。 药物-靶标结合是筛选化合物的基本过程。药物-靶标结合基于结构起作用，药物需要与靶蛋白的3D结构进行相互作用，而基于配体的结合通过已知抑制化合物的实验数据处理相互作用模式。
91220编辑于 2023-02-14
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