- 综合排序
- 最热优先
- 最新优先
IL-2IL-2R信号通路：免疫平衡的双重调控与靶向药物开发
一、IL-2/IL-2R信号通路的结构与功能复杂性白细胞介素-2是一种在免疫调控中发挥核心作用的细胞因子。其生物学效应的实现依赖于与细胞表面白细胞介素-2受体的精确结合。 IL-2首先与高表达的IL-2Rα亚基结合，随后招募IL-2Rβ和γc链，形成稳定的信号转导复合体。这种受体主要表达于活化的T细胞及调节性T细胞上，与IL-2的亲和力极高。 2.中亲和力二聚体受体：由IL-2Rβ和γc链组成，主要表达于自然杀伤细胞、静息T细胞等。IL-2可直接与该受体结合，但亲和力较低。 因此，当前药物开发的核心策略是通过蛋白质工程改造IL-2分子或其递送方式，以改变其对不同受体亚型的亲和力，从而"偏向性"激活预期的免疫细胞群体（如效应T细胞或调节性T细胞），同时避免脱靶毒性和快速清除。 三、工程化IL-2策略：实现细胞选择性激活为克服天然IL-2的局限，研究者们发展出多种工程化策略。其中，通过突变改变IL-2与IL-2Rα亚基的结合亲和力是关键方向之一。
23910编辑于 2026-01-21- 来自专栏智药邦
徐峻｜人工智能与药物设计学：新范式探索 (2)
含 Michael 加成基团为弹头的蛋白质共价抑制剂也在开发中; (2) 发展新的筛选和制备技术，如基于片段的药物发现 (fragment based drug discovery, FBDD)，组合化学 与小分子药物创新模式相比，生物药的创新有如下特色： 与小分子药物创新模式相比，生物药的创新特色 (1) 创新范式多样性：原理可以基于微生物学、生物学、医学、生物化学等各种原理； (2) 作用机理多样性： 小分子药仍然具有如下优势： 小分子药仍然具有的优势 (1) 有悠久的药物创新历史，有很多给药途径和优化技术改进药效、降低成本、提高患者依从性； (2) 几乎没有免疫原性、生物药有可能被免疫系统识别为抗原而激发免疫反应 如果该生物分子机器来自病原体，或者在体内过度表达而导致病变，药物分子应该降解 (degrading) 该生物分子机器；或者在体内组装成新的分子机器以恢复机体功能的平衡； (2) 在未抵达靶点之前，避免被与体内其它分子机器相互作用 因此，药物分子设计学的基本问题为： 药物分子设计学的基本问题 (1) 药物分子机器的功能是什么，即它的调控对象和机理是什么？ (2) 组成药物分子的化学结构基本元件是什么?
65121编辑于 2022-04-13 - 来自专栏作图丫
药物优化算法-PriorCD
选取3645个敏感性高的药物进行分析。 （2）表达数据：NCI-60癌细胞系中19 794个mRNA表达数据，319个microRNA表达数据。 （2）将NCI-60癌细胞系的药物活性数据和通路活性数据进行皮尔森相关，为通路-药物相关性矩阵。对这些药物之间基于通路活性数据进行皮尔森相关。 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。 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。 p.thres=0.01(默认值)表示当p < 0.01时，药物之间的相似性显著。 输出：药物相似度的二元邻接矩阵 2.
74042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。
39110编辑于 2022-05-12 - 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
代码探索 (GDSC) 数据库 直接看 v2的版本，有809 Cell lines 以及 198 Compounds 主要是八百多个细胞系的约2万个基因的表达量矩阵，以及对应八百多细胞系的约200个药物的 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。 代码如下所示： ggboxplot(melt(GDSC2_Res[ 1:4 ,]), "Var1", "value") +th 因为每个细胞系的箱线图里面都是约200个药物，所以这样的可视化看不出来具体 我们应该是直接看top药物即可： round(apply(GDSC2_Res[ 1:4 ,], 1, function(x){ return(c( head(sort(x)), tail ，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
现有的计算方法大多是通过从药物的众多相关特性中提取药物的化学和生物特征来预测DDI，但一些药物特性的获取成本较高，在很多情况下无法获得。 2、方法概述 2.1模型框架 图1. （2）数据集DB2 采用Zhang等人构建的更小的数据集作为数据集DB2。通过与其他先进的方法进行比较，来评估模型的表现。DB2包含548种药物和48,584种已注释的药物-药物相互作用。 在DB2数据集上本模型同其他方法的比较 3.2 比较不同的特征整合操作符 使用三种特征操作符(内积、求和和拼接)将两种药物的特征向量整合成一个特征向量来表示药物-药物对。 可以看出，拼接操作得到的效果是最好的，因此本文最终选择了拼接操作来整合两种药物的特征向量。 表2. 图2.
1.9K60发布于 2021-02-02 - 来自专栏DrugOne
JMC | 人工智能在药物合成中的当前和未来作用(2)
Section 1: CASP如何帮助药物化学发现； Section 2: 如何在制药和化学工业中使用CASP； Section 3:如何使CASP更好。 ? 他们发现Reaxys具有最独特的反应模板，其中在研究中使用的所有数据集之间共享2％，而Reaxys及其专有ELN数据子集之间仅共享0.6％。 礼来公司从批准的实验和研究性药物中鉴定出6k种目标化合物的子集，以代表公司感兴趣的化学领域。 使用礼来公司的构建数据库和内部合成设计平台ChemoPrint，使用以下模板集进行逆合成扩展：1)仅礼来eLN数据，和2）礼来eLN数据加上专利数据模板。 用于条件推荐的通用模型可以为反应执行提供良好的起点，这对于药物化学工作流程而言将是更可取的。但是，这些通用模型会受到训练集适用性域的限制。
1K40发布于 2021-02-02 - 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（ 2. 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 Boltz-2引领AI驱动的药物虚拟筛选技术革新
在现代药物研发链条中，虚拟筛选（VS）是连接化合物库与先导化合物发现的核心计算枢纽。它能从海量化合物中快速锁定具有潜在生物活性的分子，大幅降低实验筛选的成本与时间。 该研究证实，AI模型Boltz-2在超高难度靶点筛选任务中，性能全面超越传统方法，为药物发现的规模化、精准化发展开辟了新路径。 这类方法无法适配大规模化合物库的筛选需求，难以在药物研发早期阶段推广应用。 尤其在面对ULVSH数据集这类高难度测试集时，传统方法的短板被进一步放大。 三、AI驱动虚拟筛选的行业价值与未来方向 Boltz-2的出现，不仅是技术层面的突破，更标志着药物发现领域正迎来从传统方法向AI驱动的范式转移。 随着模型的持续优化与多技术融合，AI驱动的虚拟筛选必将在药物研发领域发挥愈发关键的作用，加速新药从实验室走向临床的进程。
27710编辑于 2026-01-29- 来自专栏DrugOne
Boltz-2引领AI驱动的药物虚拟筛选技术革新
在现代药物研发链条中，虚拟筛选（VS）是连接化合物库与先导化合物发现的核心计算枢纽。它能从海量化合物中快速锁定具有潜在生物活性的分子，大幅降低实验筛选的成本与时间。 该研究证实，AI模型Boltz-2在超高难度靶点筛选任务中，性能全面超越传统方法，为药物发现的规模化、精准化发展开辟了新路径。 这类方法无法适配大规模化合物库的筛选需求，难以在药物研发早期阶段推广应用。 尤其在面对ULVSH数据集这类高难度测试集时，传统方法的短板被进一步放大。 三、AI驱动虚拟筛选的行业价值与未来方向 Boltz-2的出现，不仅是技术层面的突破，更标志着药物发现领域正迎来从传统方法向AI驱动的范式转移。 随着模型的持续优化与多技术融合，AI驱动的虚拟筛选必将在药物研发领域发挥愈发关键的作用，加速新药从实验室走向临床的进程。
26920编辑于 2026-02-03 - 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
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 2 数据集 DrugBank是一个能提供12151种药物的综合信息的资源，包括3,844种FDA批准的药物和5867种实验药物。 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DrugScience
2020 年FDA药物总览
例如，针对新靶点的抗体偶联类药物（ADC）获得了两项批准。 Immunomedics公司的sacituzumab govitecan是一种治疗三阴性乳腺癌的TROP2靶向ADC。 Immunomedics 公司的 sacituzumab govitecan是一种治疗乳腺癌的TROP2靶向性ADC药物。该公司在2018年首次向FDA提交了这种治疗药物，但在2019年被拒绝。 值得注意的是，12月份，就在SARS-CoV-2病毒出现一年之后，两个候选疫苗获得了EUAs批准。辉瑞和BioNTech的BNT162b2和mRNA-1273都是mRNA疫苗。 随着SARS-CoV-2的出现，导致COVID-19的病毒，Gilead很快将remdesivir推进了试验。remdesivir首次试验于2月开始。 如果获得批准，这种基于寡核苷酸的药物将与两种FDA批准的针对PCSK9的单抗竞争。这些单抗每2-4周给药一次，inclisiran每年给药两次。
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。 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。 理论工具的改进大大降低了执行此类模拟所需的要求：据估计，在 2017 年，这将需要 2 亿个物理量子位，并在数月内以 10⁻³ 的错误率计算。
76920发布于 2021-10-11 - 来自专栏智药邦
网络驱动的药物发现
2 网络生物学和药理学 网络生物学旨在描述和解释细胞和器官的行为，假设稳定的功能来自相互作用的分子网络。生物过程产生于细胞内多种蛋白质、内在小分子等的相互作用，而这些又受到细胞外信号的调控。 启动的网络只有通过扰乱至少两个关键蛋白P1和P2才能成功控制或破坏。任何其他的干预措施都没有什么效果，因为该网络对大多数的扰动是稳健的。 重要的是，该方法允许筛选相对较少的化合物 (300-1000个)，同时产生足够高的命中率 (2-12%)。这有利于快速执行表型驱动的发现计划的初始阶段。 从相对较小的化合物范围 (测试了300到1000个化合物) 中观察到2%到12%的命中率 (比盲目表型筛选高2个数量级)。 所有的程序都产生了多种活性化学类型。 我们平台预测的小分子化合物在经过验证的SARS-CoV-2体外实验中进行了测试。这些化合物具有强大的抗炎活性，也表现出强大的抗病毒活性，证实了我们基于网络的预测。
69410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。
56820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。 2.用于小分子药物发现的通用深度学习体系结构 有不同类型的DL体系结构，每种体系结构都可以根据训练数据的结构以不同的方式识别模式并提取高级特征。本文主要讨论了主流架构，包括CNN，RNN和生成网络。 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。 将来自人结肠直肠癌细胞系（Caco-2）的663个小分子的体外通透性数据用作训练数据，并且使用基于它们2D结构的CDK工具箱计算209个分子描述符。 试图使用2D分子绘制分子图像作为CNN模型的输入数据来预测化学性质。
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
2 Motivation 受益于第二种方法，研究人员采用相似度测度来计算药物之间的属性相似度，这些属性相似度被用作机器学习分类器的特征，用于预测ADDI。 为了更好的表述，引入pm ∈ {0, 1} 和qm ∈ {0, 1} ，pm表示药物i是否被选择，qm表示j特征是否被选择，loss函数： 这一过程可以描述为图： 但是公式2是一个不能直接求解的非凸函数 作者引入了一种基于L2,0范数的松弛策略，将公式2转化为一个凸优化问题。 另： 公式2就变为： 这时Wm就是需要被求解的参数。 应用拉格朗日算子，取|| Wm||2,1 和 ||Wm||2,0 作为最小凸包, 可以将公式 3转化为： 其中α、β是正则化参数，用于控制matrix Wm行列稀疏性，这时损失函数变为可求解凸函数。 ，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
63310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）。 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。 2 框架 作者提出的KGNN框架如下图所示： ? 在第一步中，从数据集中收集以提取包含药物对的DDI数据源，同时从数据集中构建相应的KG。 在第二步中，使用KGNN从DDI矩阵和构建的知识图谱中提取药物的特征及其相关实体的邻域结构信息。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。 对比实验 作者在DrugBank（V5.1.4）和KEGG-drug数据集上进行了广泛的测试，以比较KGNN与其他5类共9种先进的DDI方法（Laplacian，GreRep， DeepWalk，struc2vec
1.1K60发布于 2021-02-01 - 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。 例如，在新冠疫苗研发中，莫德纳（Moderna）通过在亚马逊云科技平台构建的机器学习能力，2 天内就完成了 mRNA COVID-19 疫苗的序列，25天就发布了第一个临床批次。 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。 据Exscientia Company Deck数据显示，使用AI技术可以减少约35%的新药研发成本，研发周期也缩短到了1-2年。 英矽智能的AI工具如PandaOmics™和Chemistry42™都运行于Amazon Elastic Compute Cloud（Amazon EC2 ），以获得具有极具灵活性和可扩展性的云端服务器而无需维护庞大的本地计算集群
75830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。 图2a展示了这些化合物在PANC-1细胞检测中的单药剂量-反应曲线中的活性分布。 IC50值范围在2 nM到3 µM之间，表明活性值存在差异。 这32种化合物产生32×31/2 = 496种组合，每种组合在10 × 10矩阵中进行测试，包含九个1:2的连续稀释。 每种化合物的浓度范围是单独选择的，以使它们的IC50大致位于该范围的中间。 Computational modeling approach 2: UNC 计算建模方法 2：UNC General 通用 Para_01 使用 Python 中的 RDKit 包计算了训练集化合物和虚拟筛选库的 Mechanism of action selections 作用机制选择 Para_01 训练集中的列‘MOA 1’和‘MOA 2’被聚合和排序，以形成每行一个MOA对（训练集中每496个唯一药物对一行
39510编辑于 2025-06-20
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