- 综合排序
- 最热优先
- 最新优先
- 来自专栏生命科学
靶向甲状腺癌治疗的4种小分子药物 | MedChemExpress
目前 FDA 已经批注了四种用于甲状腺癌治疗的靶向治疗药物,包括卡博替尼，乐伐替尼，索拉非尼以及凡德替尼。 2017年，多激酶抑制剂索拉非尼（Sorafenib）成为被 CFDA 批准，也是截止目前，仅一个用于放射性碘难治性分化型甲状腺癌的靶向药物。 而这些药物分子的共同特点都是酪氨酸激酶的抑制剂。 作为新一代的甲状腺癌药物候选分子,这些新分子无疑会给甲状腺癌相关的研究带来更广阔的前景。 Inhibiting TRK Proteins in Clinical CancerTherapy.Cancers (Basel). 2018 Apr 4;10(4). pii: E105.MCE 新品推荐
35530编辑于 2023-02-07 - 来自专栏智药邦
徐峻｜人工智能与药物设计学：新范式探索 (4)
motor neuron) 的剪接修饰物（图 4-3-16）[59]，其苗头化合物成为第一个进入临床试验的小分子剪接修饰物[60]，据 2020 年 6 月公布的初步结果，二年的治疗可显著改善 2 型或 图 4-3-16. 以人胚胎肾细胞为模型，采用高通量荧光成像表型筛选系统发现的SMN的剪接修饰物。 为了预测药物的疗效或药物脱靶引起的安全问题，药物的 ADMET 性质预测一直受到关注[2]。 文本挖掘已经在药物靶点筛选、药物基因组学、药物不良事件预测中得到了应用[119]。 (4) 人工智能技术设计或预测的结果最终需要生物学、药学、和化学实验验证。
76221编辑于 2022-04-13 - 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
来源：专知本文为书籍，建议阅读4分钟这本实用的书教导了开发人员和科学家如何将深度学习用于基因组学、化学、生物物理学、显微学、医学分析和其他领域。 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 Site4Drug：用 AI 智能体解决药物靶点发现的上游瓶颈
arXiv：2506.01816 一、背景与动机：一个被忽视的上游瓶颈 1.1 现有流程的缺口 现代计算药物发现流程已高度工具化。 PTM 遮蔽 N-糖基化等修饰会在空间上遮挡潜在表位，使其在生理条件下不可及 可及性约束 跨膜段嵌在脂质双层中，抗体、肽类药物无法接触 结构稀缺 膜蛋白结构解析困难，许多靶标无 PDB 参考结构 1.3 PTM 掩码的设计逻辑在于：高度修饰的区域在折叠蛋白的生理状态下往往结构受约束或被屏蔽，是药物接触的不利区域。 3.1 数据集构建 由于靶点位点发现领域缺乏广泛认可的基准测试集，研究者自行构建了一个覆盖三种模态的评估数据集： 分组 描述 数量 Group S（小分子） 有实验确定共晶结构（X射线/冷冻电镜）的靶标-药物对 模态自适应：无需用户预先指定药物类型，同一证据框架支持小分子、抗体、肽药三种模态的统一评估； 3.
22610编辑于 2026-06-11- 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。 （4）统计学显著性分析和方法评估：与随机网络比较评估药物相似性网络显著性，并且对于针对特定癌症的任意一组已批准的治疗药物，执行留一法交叉验证（LOOCV）测试；绘制ROC曲线，根据区分鉴定结果的药物优先排序得分 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。 文件类型由路径中的扩展名决定,目前只支持.pdf 输出：F盘中ROC.pdf文件 4.
74042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
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。 4 实验和结果 4.1评价标准 在DDI预测中，研究者通常关注三个任务。第一种是预测未知的已知药物之间的相互作用，第二种是预测已知药物和新药之间的相互作用，第三种是预测新药之间的相互作用。 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
1:4] boxplot(GDSC2_Expr[,1:4]) df=melt(GDSC2_Expr[,1:4]) head(df) p1=ggboxplot(df, "Var2", "value") 1:4] p2=ggboxplot(melt(GDSC2_Res[ , 1:4]), "Var2", "value") +th ; p2 # IMPORTANT note: here I do e^IC50 ，当然了，因为我仅仅是展现了4个药物，所以说它们是废材仅仅是相当于 "Camptothecin_1003" 和"Vinblastine_1004"来说。 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
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
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。 将提取到的两个药物的特征向量通过拼接操作整合成一个可以表示药物对的特征向量。 （4）模型输出：预测的DDI网络。将整合的表示药物对的特征向量输入到DNN模型中进行预测，输出预测的DDI网络。 3、实验结果与讨论 3.1 与4种目前先进方法的比较 DPDDI模型除AUC值略低于CE方法外都优于其他现有模型。 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 正负样本比例对模型表现的影响 4、总结 本文设计了一个GCN模型来学习药物的低维特征表示，获取DDI网络结构信息，随后使用拼接操作符将两个药物的特征向量整合为一个药物对的特征向量，最终使用DNN模型作为预测器
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%）。 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。 不全是好消息 一些药物开发商在2020年遭遇了挫折，收到了FDA的完整回复函（表4）。 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。 directed mAb High- risk neuroblastoma P, O, B, A Setmelanotide (Imcivree) Rhythm MC receptor agonist4
1.4K20发布于 2021-03-04 - 来自专栏DrugOne
Nature | 被称为“AlphaFold 4”的新AI登场：DeepMind药物子公司震动科学界
这款名为 IsoDDE 的“药物发现引擎”于2月10日通过一份27页技术报告对外公布。报告展示了模型在预测蛋白–药物相互作用以及抗体结构方面的强大能力，引发了计算生物学界的广泛关注。 一位哥伦比亚大学计算生物学家直言，这项技术是“AlphaFold 4级别的重大突破”，但问题在于，“研究人员几乎不知道它是如何做到的”。 从结构预测走向药物设计 AlphaFold2曾因蛋白结构预测获得诺贝尔奖级影响，而AlphaFold3则进一步扩展到蛋白与小分子、DNA和RNA的复合结构预测，正式进入药物设计领域。 AI药物设计进入新阶段？ IsoDDE的出现再次凸显一个趋势：蛋白结构预测只是第一步，真正的竞争正在转向 完整药物设计系统。 未来的AI不只是回答“蛋白长什么样”，而是要回答： 哪个分子能结合 结合强度如何 是否能成为药物 如何优化 如果这一方向继续推进，AI可能将药物研发从“结构预测时代”带入“自动设计时代”。
69110编辑于 2026-03-02 - 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。 到 2020 年，这已经减少到 400 万个物理量子位，仅用 4 天时间计算。 量子软硬件进展 量子化学模拟在过去几年中取得了非凡的进展。
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。 但是，RNN可以通过以下方式处理顺序信息：（1）将有向周期引入其网络；（2）将相邻的隐藏节点相互联系起来；（3）从先前的时间片捕获计算的信息；（4）将其存储用于后续程序。 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
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。 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。
63310编辑于 2022-03-25 - 来自专栏生物医药
TLR4 信号通路调节剂作为炎症和败血症的潜在治疗药物
调节 TLR4 通路是针对这些疾病的一种潜在策略。在由细菌内毒素引起的 TLR4 异常激活导致的疾病中，败血症是最危险的一种，因为它是一种危及生命的急性系统性炎症状态，目前尚缺乏特异性药物治疗。 这些是天然和合成来源的低分子量化合物，可被视为药物开发的先导化合物。我们展示了败血症模型中的体内研究结果和药物先导化合物的作用机制，并进行了批判性讨论，证实了从啮齿动物到人类的治疗结果存在差异。 近期，TLR4 被提议作为药物滥用[38]、重度抑郁症[39, 40]以及肌萎缩侧索硬化[41]的潜在治疗靶点。TLR4 拮抗剂在治疗周围神经性疼痛中的应用也已被讨论[42, 43]。2.1. 已知的 TLR4 拮抗剂属于各种化学化合物类别——主要是模仿天然 TLR4 配体脂质 A 的糖脂，但也有杂环化合物、肽、阿片类药物、紫杉烷、类固醇等，具有天然和合成来源。3. 因为其双重靶向（MD-2、细胞外和 IKK、细胞内），黄连素可以被视为一种有潜力的候选药物，用于开发能有效阻断 LPS/TLR4 信号通路在不同点的药物。
1.1K11编辑于 2025-03-13 - 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。 4 网络驱动的药物发现 E-therapeutics公司基于前面概述的原则，开发了一种网络驱动的早期药物发现方法。
69410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HyperAI超神经
全面挖掘天然药物的药效成分，中南大学刘韶教授团队构建 IMN4NPD 平台
作者：田小幺 编辑：李宝珠，三羊 中南大学刘韶教授团队通过整合两个不同的分子网络，构建了 IMN4NPD 平台，可用于全面挖掘微量且结构特异性的天然药物药效成分。 所谓生物活性天然产物 (NPs) ，其实是自然界长期进化的物质实体，是生物活性物质和实用药物研发的重要源泉。在药物研发进程中，NPs 对于癌症和传染病治疗药物的创新有着巨大贡献。 论文地址： https://doi.org/10.1021/acs.analchem.3c04746 关注公众号，后台回复「天然药物」获取完整 PDF IMN4NPD：集成多种计算工具，由光谱相似度驱动的分子网络 IMN4NPD 的核心工作原理是由光谱相似度驱动的分子网络。 IMN4NPD 工作流程示意图 可用性评估：探索异喹啉类似物，在分子网络中迅速识别特定化合物簇 为了评估 IMN4NPD 工作流程的性能和优势，该研究重新分析了莲子心的乙醇提取物。
55310编辑于 2024-03-26 - 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？ 图片来源:Deep learning for molecular generation[4] 虽然有很多生成模型号称自己可以生成全新骨架的化合物, 但对这些化合物的打分(预测)网络模型却依赖已有数据, Cheminformatics http://practicalcheminformatics.blogspot.com/2019/09/dissecting-hype-with-cheminformatics.html [4]
92370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