- 综合排序
- 最热优先
- 最新优先
- 来自专栏智药邦
Drug Discov Today｜当前基于结构的药物设计面临的7大挑战
在这篇综述中，作者以Rho相关蛋白激酶（ROCK）以及公共域结构和数据为例，说明了计算机辅助药物设计（CADD）科学家每天在工作中面临的一些挑战。 在药物发现领域，尤其是基于结构的药物设计（Structure-Based Drug Design, SBDD）中，尽管我们拥有了比以往任何时候都更强大的工具和技术，但面临的挑战依然严峻。 挑战7：选择性合理化与预测 在激酶药物发现中，常利用专业面板评估化合物对多种激酶的活性，以期理解并优化选择性。然而，即使对于高度相似的激酶，其选择性也难以仅通过结合位点相互作用来解释。 图7 异构体选择性的计算机合理化可能具有挑战性 建模者通常首先考虑结合位点的不同，但选择性可能更多源于蛋白质整体动力学的差异，这难以确证且不易转化为设计策略。 通过深入理解和应对这些挑战，药物设计师们将能够更准确地预测和设计具有高效性和选择性的药物分子，为人类健康事业做出更大的贡献。
59410编辑于 2024-09-13 - 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 - 来自专栏量子位
7nm DNA「针管」可将药物分子直接注入细胞，来自约翰霍普金斯大学团队
这两天，约翰霍普金斯一个团队公开一项发明：7nm DNA管道，可用于将药物分子注入细胞。 据称，该管道仅是蚂蚁的200万分之一，在未来，有望将药物、蛋白质和分子精准输送入器官和组织细胞中，且极小的「泄漏」也能避免，不会产生任何副作用。 在过去，模拟生物膜通道已带有选择性及门控功能，是生物传感、药物输送的强大工具。 借由该技术，研究者构建了内径7nm的纳米孔，加之DNA修饰及控制纳米孔几何形状，只有特定化学、空间特征的大生物分子可经由通道穿过脂质膜，这样就实现了物质端到端传输，防止了传输物质泄漏。 在成果应用部分，研究者认为，这种DNA管道在生物传感和药物递送方面的潜在应用，此外，DNA纳米孔的可编程性和特异性可以允许传递目标遗传和信号材料，从而使有效通信成为可能。
29710编辑于 2023-05-06 - 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。 0.01 0.01 0.95 [6,] 0.05 0.01 0.01 0.98 [7, [6,] "Docetaxel" "Vinblastine" "Luminespib" "Sabutoclax" [7, ，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%）。 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。 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。 Orphan designations: 审评用于特定疾病的特定药物，相关激励措施：税收抵免、免除患者费用、FDA批准特定孤儿药用于特定适应症后的7年市场独家经营权 Breakthrough designations CGRP receptor:CGRP受体是异源三聚体：具有7个跨膜结构域的大肽，称为降钙素受体样受体（CLR或CRLR），由一种小的单个跨膜肽补充，称为受体活性修饰蛋白（RAMP1），形成CGRP特异性配体结合位点
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
假设有N种药物，M种属性，对于ADDI模型我们首先得到药物的属性矩阵：X = {Xm}；该模型的首先在N个药物中选出n（n<N）个药物和m（m<M）个特征，通过特征重构（Hij）与生成对抗网络对共享信息和特异信息进行提取 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 - 来自专栏机器之心
7 Papers & Radios | 联邦图机器学习综述；基于知识图谱和分子图的药物筛选模型
机器之心 & ArXiv Weekly Radiostation 参与：杜伟、楚航、罗若天 本周重要论文包括普林斯顿大学的研究人员应用人工智能来预测过冷水中冰核的形成速率；湖大等开发药物筛选新模型等研究 本文中，研究人员提出了一种大规模的知识图谱增强多任务学习模型 KG-MTL，KG 即 Knowledge Graph（知识图谱），旨在描述药物、基因、疾病等实体及它们之间的关联。 推荐：利用知识图谱和分子图，湖大等开发药物筛选新模型。本研究在《IEEE 知识与数据工程汇刊》（TKDE）上发表。 (from Xiaodong He, Shuguang Cui) 7. (from Pieter Abbeel) 7.
51500编辑于 2022-08-25 - 来自专栏智药邦
网络驱动的药物发现
本文为《Artificial Intelligence in Drug Design》一书第7章的主要内容，作者是英国生物技术公司E-Therapeutics的Jonny Wray和Alan Whitmore 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。 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。 Methods Mol Biol. 2022;2390:177-190. doi: 10.1007/978-1-0716-1787-8_7. --------- End ---------
69510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
该模型预测了30种组合，测试显示在新冠背景下发现了两种协同组合（7%命中率）。 其他研究引入了计算方法，如DrugComboRanker、DIGRE和RACS，以有效预测用于实验验证的药物对。 表2和补充图7展示了结果。 命中率随着模型现在预测88种组合而不是原来的30种而发生了变化，MIT、UNC和NCATS分别达到了58%、57%和45%。 网络分析（图7）确定了蛋白酶体-组蛋白去乙酰化酶（HDAC）抑制是最常见的协同组合，这一趋势即使在考虑所有Gamma分数低于0.95的协同组合时也是一致的（补充图8）。 Fig. 7: Network analysis of MoAs in 26 strongly synergistic combinations (gamma < 0.5). - 图片说明 ◉ 节点大小和边宽分别与 蛋白酶体-HDAC抑制的重要性更加突出，因为它在更严格的协同标准下仍是最常见的相互作用（γ < 0.5；见图7）。
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
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