- 综合排序
- 最热优先
- 最新优先
- 来自专栏百味科研芝士
多组学整合药物预测如何发6分SCI的？
subtypes with therapeutic implications in KRAS-mutant lung adenocarcinoma，影响因子为6.18；文章整合了多个组学的数据，最后落到药物预测 ，是比较值得借鉴的点； 名词解释 •IC50 (half maximal inhibitory concentration)最大半抑制浓度,可以用来衡量药物诱导凋亡的能力，即诱导能力越强，该数值越低; 2.3 药物敏感性 基于CCLE 和 CTRPv2数据库，确立了细胞系亚型相关的药物，13种CS1特异药物，1种CS2特异药物；比较了细胞系亚型对药物的敏感性后，用箱线图进行展示； ? ? 2.4 药物预测 精准医学以来，结合多组学数据，提前对病人药物敏感性进行确认，建立这样的预测模型就变得越来越重要； 除药物敏感性数据外，以上生物学特征均在两个亚型进行了比较；这里用其来进行回归模型的构建 ，以单因素和多因素回归模型的方式对药物反应进行预测；单因素回归模型结果用表格展示了β的显著性；多因素结果用森林图展示β和对应显著性； ?
1.1K20发布于 2019-12-24 - 来自专栏智药邦
徐峻｜人工智能与药物设计学：新范式探索 (6)
万个生物大分子序列、来自 880 多家制造商的 6,700 多万个化合物产品、来自全球专利文献的 105 万多个 Markush 通式结构。 6) 新方法：深入理解生命系统的机制，贯通还原论与归纳法。 Stirling, Editors. 2003, Humana Press. p. 3-6. 160. Mullis, K.B., F. Ferré, and R.A. Journal of computational chemistry, 2011. 32(6): p. 1202-1209. 180. Choice: Current Reviews for Academic Libraries, 2011. 48(6): p. 1123-1123. 190.
55911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
987 Cell lines 和 367 Compounds 资源都被整理好了 我们这里直接使用R包oncoPredict整理好的这两个数据库的rdata文件，下载链接是：https://osf.io/c6tfx 0.01 0.01 0.21 [5,] 0.05 0.01 0.01 0.95 [6, Dactinomycin" [5,] "Dactolisib" "Docetaxel" "Docetaxel" "CDK9" [6, AZD5991" [12,] "Temozolomide" "5-Fluorouracil" "Temozolomide" "Carmustine" 前面的6个药物是各自细胞系的神药 ，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%）。 而在6月份撤销了EUA，并指出这些药物“不太可能有效治疗COVID-19”。 与激酶一起前进 小分子激酶抑制剂也在发展壮大。FDA去年批准了8种激酶抑制剂，是肿瘤药物批准量的一半。 然而，根据Blueprint的数据，6%的患者有PDGFRA外显子有18个突变，对伊马替尼的反应特别差。基于此，Blueprint开发了avapritinib。 在2020年6月，一些分析师预测年销售额最高可达70亿美元。FDA也批准了紧急情况使用其他几种新型COVID-19候选疫苗的授权，包括疫苗和治疗性抗体（框1）。 Priority designations:优先审定,优先审查指定意味着FDA的目标是在6个月内对申请采取审查。
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。 2017 年，IBM 使用 6 个量子位对 H₂、LiH 和 BeH₂ 分子进行建模。从那时起，分子的大小和复杂性大大增加，而所需的量子位数量却减少了。
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
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。 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。
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。 6 总结 本文概述了一个概念框架，其中网络生物学是单个分子实体和出现的功能表型之间的连接桥梁。
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。 另外，英矽智能还使用了对象存储服务Amazon Simple Storage Service (Amazon S3) 存储相关数据，使其分布于6个国家的团队能够轻松访问所需数据并进行跨国合作。 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。
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
Zakharov 文章链接：https://www.nature.com/articles/s41467-025-56818-6 Abstract Para_01 胰腺癌治疗通常依赖于多药物方案，但最佳组合仍然不明确 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。 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。 如图6所示，Carfilzomib是最常见的化合物。 值得注意的是，涉及Carfilzomib的组合表现出最高的协同作用。 Fig. 6: Number of occurrence of compounds and MoAs among 307 experimentally-validated synergistic combinations
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。 该算法分析从一个原子开始直至到达指定数量键的路径（path，通常为线性）上所有的分子片段，然后对每一个路径进行哈希（hash）产生指纹（fingerprint），如下图中展示了从NH2（已圈出）开始一直到 6
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。 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。 6 模型基础 对于热爱形式图式的生物信息学家来说，他们经常在争先恐后地将内部庞大的本体放入其中，而不考虑这种情况是否适合这种情况。
60610发布于 2021-01-19
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