- 综合排序
- 最热优先
- 最新优先
- 来自专栏智药邦
徐峻｜人工智能与药物设计学：新范式探索 (5)
)， (3) 内源性小分子或多肽 (如，神经递质)， (4) 细胞内外的生物物理或生物化学环境 (如，pH、离子浓度)， (5) 体内代谢反应 (如，CYP 家族的代谢反应)。 冠状病毒入侵宿主的细胞融合机制分为 5 个主要阶段： 病毒蛋白成熟→非特异性接触→宿主细胞内吞→融合蛋白的构象变化→膜融合(如下图)。 (5) 膜融合抑制剂。洛伐他汀 (lovastatin) 可以降低宿主细胞膜胆固醇含量，从而阻止 HCV、HBV 和 HIV 病毒与细胞膜的融合[140]。 Nr5a2 是孤儿核受体，通过靶向多能性基因 Nanog，在重编程小鼠体细胞中取代因子 Oct4。 强制表达核受体维甲酸受体α,β,γ (RAR α/β/γ) 和 Nr5a2，可以提高小鼠胚胎成纤维细胞中 iPSC 重编程的速度和效率。
1K11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
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。
74142编辑于 2022-03-29 - 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（ ，CCB）：硝苯地平、氨氯地平、非洛地平、维拉帕米和地尔硫卓等； （5） β受体阻滞剂（β-receptor blocker）：美托洛尔、比索洛尔和卡维地洛等。 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DrugOne
Bioinformatics | 预测药物-药物相互作用的多模态深度学习框架
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。 对于任务1，我们对DDIs应用5倍交叉验证(5-CV)，并将所有DDIs分成5个子集。作者基于训练集中的DDIs来训练模型，然后对测试集中的DDIs进行预测。 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。 作者关注从#1到#5频率最高的5个事件，并检查与每个事件相关的前20个预测。 ? 5 结论 本研究从DrugBank获取DDI数据，并应用NLP技术根据描述语法将DDI相关事件分类为65种类型，编译了包含572种药物、74,528种相互作用和65种DDI相关事件的数据集。
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。 0.01 0.01 0.09 [4,] 0.04 0.01 0.01 0.21 [5, Dinaciclib" [4,] "Rapamycin" "Bortezomib" "Vinblastine" "Dactinomycin" [5, "Acetalax" "Carmustine" "AZD5991" [12,] "Temozolomide" "5-
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。 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 在5折交叉验证测试中评估它们在DB1数据集上对模型的影响。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. 在DB1数据集上使用3种不同特征聚合算子模型的表现 3.3 DeepDDI与其他DDI预测工具的比较 为了验证模型的健壮性，使用三个不同大小的数据集(即DB1、DB2和DB3)来评估模型在5折交叉验证测试中的表现
1.9K60发布于 2021-02-02 - 来自专栏DrugScience
2020 年FDA药物总览
这一比例高于5年平均水平28%。根据替代终点的改进，它批准了12种（23%）的加速疗法，高于过去5年的平均水平16%。 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。 FDA5月份首次批准了瑞德西韦（remdesivir）的使用，并于10月份完整审批了该药。 到5月，FDA已经批准了它的紧急使用授权，允许分发未经批准的候选药物。10月，FDA基于一个NIH赞助的试验和两个Gilead赞助的试验的基础上批准了该药。 分析师目前预测，2021年remdesivir的最高销售额将接近15亿美元，到2025年将降至5亿美元。但这些预测下降得很快，说明了潜在的缺陷。
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 - 来自专栏无细胞蛋白表达
无细胞蛋白表达如何加速激酶药物研发：5天完成DNA到蛋白表征
技术案例：利用无细胞蛋白表达系统实现BTK蛋白5天快速表征在蛋白质研究和药物研发过程中，研究人员通常需要获得稳定且具有活性的蛋白样品，以开展结构研究、功能研究以及小分子结合分析。 本文介绍一个基于无细胞蛋白表达技术的研究案例，展示如何在约 5 天内完成从 DNA 到蛋白表征的研究流程。 相比传统蛋白表达方法，该流程具有以下优势：显著缩短实验周期 提高蛋白表达效率 支持多构建体并行筛选 在部分实验流程中，从 DNA 构建体到蛋白功能表征的整个过程可在约 5 天内完成。 通过自动化表达与筛选平台，研究人员可以在较短时间内完成蛋白表达优化、纯化以及功能表征，从而加速药物研发和蛋白工程研究。随着相关技术不断发展，这类平台将在生命科学研究和药物开发领域发挥越来越重要的作用。 无细胞蛋白表达通常具有更快的实验周期，并且更容易进行条件优化，因此在蛋白工程和药物研发中具有重要应用价值。无细胞蛋白表达适用于哪些研究领域？
22530编辑于 2026-03-09 - 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
同时为了使药物i，j的表示更平滑，引入Graph Manifold Regularization图流行正则化，也就是对于在原始特征空间中更接近的两个药物的表示更相似，所以得到公式5： 至此，完成了药物和鉴别特征的选择过程 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。 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 ，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。
63310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。 5 验证 本文所述的网络驱动的早期发现方法已经通过在一系列复杂的生物和治疗环境中的实际药物发现项目中的部署得到了验证。
69610编辑于 2022-06-08 小鼠CD185抗体如何助力CXCR5靶向ADC药物的研发与机制探索？
一、CXCR5在肿瘤免疫微环境中扮演何种复杂角色？趋化因子受体CXCR5及其主要配体CXCL13构成的信号轴，在淋巴组织形成与免疫细胞迁移中发挥核心作用。 二、为何将CXCR5开发为抗体偶联药物靶点？抗体偶联药物通过将抗体的靶向性与细胞毒性药物的杀伤力相结合，实现对特定细胞的高效精准清除。 再者，靶向CXCR5可能产生双重效应：ADC本身携带的毒素可直接杀伤表达CXCR5的肿瘤细胞；同时，抗体的Fc段介导的效应功能（如抗体依赖的细胞介导的细胞毒性作用）还可能清除肿瘤微环境中表达CXCR5的免疫抑制性细胞 三、小鼠CD185抗体在CXCR5-ADC研发中有哪些核心应用？小鼠CD185抗体在靶向CXCR5的ADC药物从概念到临床前验证的全链条中，承担着多项关键任务。首先，它是靶点验证与筛选的基石。 四、CXCR5-ADC可能面临哪些挑战与机制复杂性？尽管CXCR5-ADC前景广阔，但其开发面临独特挑战，根源在于CXCR5生物学功能的复杂性。首要挑战是靶向特异性与安全性。
14210编辑于 2026-02-10- 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。 3 实验 3.1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
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
补充图5显示了预测协同评分的分布情况，补充图6突出了最常出现的化合物及其平均协同评分。 这些组合涉及20种不同的作用机制，详见补充表5。 实验当天，用0.25%胰蛋白酶处理5分钟以收获细胞，离心后将细胞悬浮液以500个细胞/5微升/孔的密度接种到培养基中。 细胞密度是根据72小时内细胞的高效增殖率进行实验选择的。 细胞在37°C、5% CO2、95%湿度条件下与化合物或DMSO共同培养72小时。 然后，将板中加入 PANC-1 细胞悬浮液，细胞密度为 500 个/5 微升培养基，并放入组织培养恒温箱（5% CO2，37 °C，95% 湿度）。
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。 Model, 2015, https://pubs.acs.org/doi/abs/10.1021/acs.jcim.5b00559 Landrum, G. 2010. “RDKit.”
1.3K10发布于 2020-05-24
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