- 综合排序
- 最热优先
- 最新优先
- 来自专栏医学和生信笔记
药物敏感性分析之pRRophetic
药物敏感性分析是生信数据挖掘常用的技能之一，目前做药敏分析最常见的就是两个R包：pRRophetic和oncoPredict。 常用药敏数据库 pRRophetic方法学介绍 安装 预测不同组别患者对化疗药物的敏感性 其他示例 pRRopheticCV 使用CCLE示例数据 自定义训练集 自带数据探索 预测全的药物的敏感性 参考 靶点表达水平可作为靶向药物敏感性的指标 pRRophetic方法学介绍 这个R包的思路其实很简单，就是根据已知的细胞系表达矩阵和药物敏感性信息作为训练集建立模型，然后对新的表达矩阵进行预测。 自定义训练集 指定训练用的表达矩阵和对应的样本类别，再提供一个表达矩阵，就可以预测该表达矩阵每个样本对药物的敏感性。 预测全部药物的敏感性 假如我们要对自己的表达矩阵预测所有药物的敏感性，只需要把所有的药物提取出来，写个循环即可，这里以cgp2016的药物为例。
2.9K40编辑于 2023-11-01 - 来自专栏用户6927557的专栏
SNP突变、转录组和GDSC药物敏感性联合分析文章套路
SNP突变、转录组和GDSC药物敏感性联合分析文章套路 --生信自学网 今天生信自学网给大家介绍SNP突变、转录组和GDSC药物敏感性联合分析的视频，这是一个多组学的文章套路。 这个课程是根据最新的4分多的文章进行讲解，将突变数据和转录组数据，以及药物敏感性数据进行联合分析。 首先我们从TCGA官网下载转录组数据和临床数据，整理得到转录组和临床数据库的表格。 最后，我们通过GDSC数据库查看病人在基因突变后，对药物敏感性的影响。
1.6K00发布于 2020-02-04 - 来自专栏DrugOne
. | 基于基因表达的癌症药物敏感性推断
近年来，大规模药物基因组数据库的出现推动了预测性个性化肿瘤学研究，包括癌细胞系百科全书(CCLE)、癌症药物敏感性基因组学(GDSC)和癌症治疗反应门户v2(CTRPv2)。 作者首先在不同的PCa细胞系上评估Precily，预测揭示了药物和通路在治疗耐药性和敏感性方面的临床和生物学相关性。又评估Precily在预测药物反应方面的效用，这些药物在训练模型中从未见过。 通过这种方式，训练数据可以了解细胞系基因表达谱及其对某些药物的敏感性，从而可以很容易地预测其对新药的敏感性。在临床环境中不太可能出现类似的情况。不能根据过去的反应来推断患者的药物反应。 基于Precily的预测LNCaP细胞系对这些药物的敏感性在相对范围内是一致的(图3g，h)。 该框架的主要优点是，由于使用了数字药物描述符，相关模型可用于推断几乎任何样本-药物对的药物敏感性。首先，这种方法能够跨癌症汇集细胞药物组合，从而提供提高模型性能的机会。
1.3K20编辑于 2022-11-28 - 来自专栏实验盒
GPT模型如何重塑癌症药物敏感性预测？最新研究揭秘新突破
该研究探索如何通过生成式大语言模型（LLM），特别是 GPT，优化药物敏感性预测（DSP），为精准肿瘤学提供新的技术路径。 研究背景：药物敏感性预测的挑战与机遇 癌症因其遗传异质性导致患者对药物的反应差异显著，使得个性化治疗成为精准肿瘤学的核心目标。 然而，传统药物敏感性预测方法面临多重挑战：高通量筛选技术生成的结构化组学数据（如基因表达、药物属性）体量庞大且复杂，常规深度学习模型在处理此类数据时往往表现欠佳。 Chowdhury 等人的研究通过创新方法填补这一空白，系统评估了 GPT 在药物敏感性预测中的潜力，并探索了如何优化其性能。 与现有方法的比较 研究将 GPT 与多种现有药物敏感性预测模型对比，包括 SWNet、PaccMann、ConsDeepSignaling 以及 BERT 和 BioBERT。
33900编辑于 2025-03-03 - 来自专栏科研菌
如何系统性地研究药物敏感性？这篇高分文章给你模板！
基因突变情况 2.基于分子、组织学和病理学分型的药物敏感性差异 图2A：基于胃PDC实验，展示了药物与各个分型癌症的敏感性（红色为敏感、蓝色为耐药），发现混合亚型（Mixed）癌症大多对RTK抑制剂耐药 不同亚型的药敏情况 3.胃癌的药物基因组学研究 由于基因组变异可以用作预测对靶向治疗的临床反应的可靠生物标志物，作者进行了基因突变与药物敏感性的研究。 化合物的敏感性。 体外细胞系验证 3.吉非替尼药物敏感性的决定因子 此前研究表明胃癌患者中EGFR的过表达与更多的恶性表型状态和不良的临床结局相关，作者进一步探究舒尼替尼sunitinib、 伊马替尼imatinib和吉非替尼 以EGFR为靶点的潜在药物 小结 最后小结一下，作者根据组织病理学和分子亚分类确定了特定于谱系的药物敏感性，其中弥散型和印戒型胃肿瘤对VEGFR和EGFR抑制疗法的敏感性很高。
3.7K10发布于 2020-07-15 - 来自专栏生物信息云
CoMutDB数据库工具 | 分析共突变与预后、药物敏感性
CoMutDB利用来自29559名癌症受试者和1747个涵盖78种不同癌症类型的癌细胞系的多组学、表型和临床数据，可用于分析共突变与预后、药物敏感性和性别、年龄和种族差异相关。 热图对针对不同表型（生存、年龄、性别、种族和药物敏感性）的分析的每个方面预先计算的、可下载的显着共突变的数量进行了颜色编码，其中符合条件的共突变基因对必须是在超过 10% 的样本中同时发生突变。 查询服务最重要的输入是一组基因，从中形成共突变对，并检查与表型变量、生存和药物敏感性的可能关联。 根据共突变状态对样本进行划分后，CoMutDB 将生存数据、药物敏感性和其他临床特征（年龄、性别和分期）与共突变状态变量相结合，并推断出共突变之间关联的统计显着性-突变和各种临床特征。 在很多场景中，生物学影响可以转化为对预后和不同药物敏感性的更强预测。CoMutDB 是第一个致力于管理和描述癌症突变共现情况的数据库。
1.2K30编辑于 2022-11-24 - 来自专栏实验盒
GPT跨界预测癌症药物敏感性？Mayo Clinic团队推出SensitiveCancerGPT框架
在精准医学时代，药物敏感性预测（Drug Sensitivity Prediction, DSP）作为优化癌症治疗方案的关键环节，面临着肿瘤异质性、高维组学数据以及样本稀疏性等挑战。 这些模板将药物分子结构（SMILES格式）、基因突变、通路活性等特征编码为自然语言序列。 例如，一个典型的指令前缀模板可能表述为：“基于以下数据预测药物敏感性：药物X的SMILES为[结构]，细胞系Y的突变为[基因]，通路活性为[数值]。” 老药新用筛选：在PRISM非抗癌药物库中识别潜在抗肿瘤化合物，加速药物再利用。 联合用药优化：基于DrugComb数据解析药物协同机制，为组合疗法设计提供依据。 结论 SensitiveCancerGPT通过提示工程与多阶段学习，将生成式大语言模型应用于药物敏感性预测，实现了性能突破与生物学洞察的双赢。
48400编辑于 2025-03-17 - 来自专栏DrugOne
Nucleic Acids Res | DrugComb更新:更全面的药物敏感性数据存储和分析门户
1 DrugComb介绍 药物敏感性筛选数据转化为实际药物发现仍有许多挑战：不同数学模型的协同作用和敏感性指标不统一，其对于相同的数据集往往不兼容；药物组合实验设计缺乏标准化，公开可用数据库的数据管理和存储水平不足 ；(4)最先进的机器学习模型预测药物组合的敏感性和协同作用。 1.2 评估敏感性和协同作用 DrugComb使用SynergyFinder R软件包分析药物组合的敏感性和协同作用。 单一药物的敏感性以其IC50和RI值的剂量反应曲线来描述。 此外，作者还提供了基因表达和药物敏感性的相关性(图3B)。 ? 图3 药物组合的网络建模。 1.4 用于预测敏感性和协同作用的机器学习 DrugComb提供最先进的机器学习算法来预测用户选择的药物组合对特定癌症细胞系的敏感性和协同作用。
4K30发布于 2021-07-05 - 来自专栏硬件工程师
湿度敏感性等级（MSL）
湿度敏感性等级，相信大部分人还是比较陌生的。 湿度敏感性等级：MSL，Moisture sensitivity level 之所以有这个等级，大概是因为以下原因： 目的在于确定那些由湿气所诱发应力敏感的非密封固态表面贴装元器件的分类, 以便对其进行正确的封装
5.5K20编辑于 2022-08-29 - 来自专栏DrugOne
. | 使用图协同过滤和多视角对比学习预测miRNA药物敏感性
对miRNA与药物之间关系的深入研究可以为药物靶标发现、药物再定位和生物标志物研究等领域提供理论基础和实际方法。传统的用于测试miRNA药物敏感性的生物实验成本高且耗时。 此外，miRNA可以在药物代谢和药物转运的过程中直接或间接参与，患者对药物的敏感性和耐药性的个体差异可能受到miRNA表达差异的影响。 问题定义 给定一个miRNA-药物敏感性的数据集，作者的目标是使用GCFMCL模型来识别潜在的miRNA-药物敏感性。 这个模型接受miRNA-药物敏感性数据和特征矩阵，首先创建一个二分图来建模这些敏感性数据。然后，它利用基于拓扑结构的图协同过滤来聚合拓扑邻域信息。 设置miRNA集合为R，药物集合为D，miRNA-药物敏感性矩阵S(|R|×|D|)表示观察到的敏感性关系，其中Sr,d=1仅当miRNAr和药物d之间存在敏感性时，否则Sr,d=0。
46230编辑于 2023-09-19 - 来自专栏DrugOne
基于微流控与人工智能的侵袭性白血病药物敏感性预测平台问世
在这种情况下，直接对肿瘤细胞进行体外药物敏感性检测，已成为一种重要的补充策略。 然而，传统药敏检测方法受限于较长的药物孵育周期、较高的样本与试剂需求量以及复杂的操作流程，难以广泛应用于临床实践。 更重要的是，这类方法大多仅能反映细胞群体的整体反应，无法捕捉与药物敏感性密切相关的单细胞特征，例如肿瘤内异质性、蛋白质表达的空间分布及细胞形态变化。 该平台旨在通过检测治疗前的特定生物标志物，无需对细胞进行长期药物暴露，即可在数小时内实现对单细胞药物敏感性的预测。 μPharma平台的核心架构包含三个紧密衔接的分析模块。 模型训练完成后，仅需对新增样本进行4小时的微流控检测，即可基于所提取的特征实现快速、自动化的药物敏感性预测，无需再次进行长期药物孵育实验。 研究进一步通过UMAP降维方法，对关键SHAP特征进行可视化，直观呈现了这些特征如何捕获与药物敏感性相关的单细胞模式及肿瘤内异质性。
14120编辑于 2026-03-02 - 来自专栏DrugOne
. | 双通道异构图神经网络用于预测microRNA调控的药物敏感性
通过整合miRNA相似性网络、药物相似性网络和实验证实的miRNA药物敏感性关联，构建了一个miRNA-药物异构网络。 随着生化技术的发展，大规模实验已经证实许多miRNA与抗癌药物的敏感性密切相关。两个数据库，NoncoRNA和ncDR，已经整合了来自生物医学文献的miRNA药物敏感性关联。 作者关注于预测miRNA介导的药物敏感性。在异质网络上提出了一种双通道图神经网络，名为DGNNMDA，用于预测miRNA-药物敏感性关联。 作者在研究中仅选择了miRNA与药物敏感性之间的实验验证关联，即涉及到药物抵抗性或非miRNA的关联被排除在外。总共获得了431个miRNA与140种药物之间的2049个miRNA-药物敏感性关联。 最后将，miRNA相似性网络、药物相似性网络和已知的miRNA-药物敏感性关联整合到一个miRNA-药物异质网络中。图1展示了模型架构。
46340编辑于 2023-09-09 - 来自专栏生物信息与临床医学专栏
TwoSampleMR包实战教程之敏感性分析
当我们计算出MR的结果后，接下来就要进行敏感性分析，这里我们主要从如下三方面进行检验： （1）异质性检验（Heterogeneity test）：主要是检验各个IV之间的差异，如果不同IV之间的差异大，
3.2K31编辑于 2022-08-21 - 来自专栏医学数据库百科
多组学与药物敏感分析的数据库
癌症中的药物敏感性研究对于实现癌症患者的个性化治疗和推动精密医学的发展至关重要。 但由于个体间的异质性，药物敏感性的巨大差异导致有限医疗资源的利用效率低下，因此研究与药物反应相关的分子以优化药物疗法将非常需要。 提交后，结果如下，主要是关于药物敏感性-RNA分子相关性的基本信息。 ? 点击Detail所在列，可以查看多组学水平（表达值，CNV，甲基化水平或突变状态）下RNA与药物敏感性之间相关性的详细信息。 对于连续数据（表达，CNV和甲基化数据），该数据库绘制了以分子水平为X轴，药物敏感性数据为Y轴的散点图。 这里，我们点击第一行的“+”，可以查看该RNA的CNV状态下药物敏感性与RNA分子之间的相关性。 ? ?
1.2K40发布于 2021-04-30 - 来自专栏PPV课数据科学社区
说说数据分析的数据敏感性?
一、从数据维度做拆分，让目标更加落地。 我做过近两年的电商运营，其中感触很深的一个点就是从数据的维度对目标做拆分。 天猫的双11刚刚过去，马云又创造了新的成绩，912亿。从去年的571亿到今年的912
1.3K50发布于 2018-04-23 - 来自专栏作图丫
【高分新文】Cancer Cell|肿瘤细胞系中临床相关蛋白的药物响应特征
4.预测蛋白markers的药物敏感性分析 使用药物敏感性数据，对于 MCF7分析，基于AUCs计算所有筛选细胞系中每种药物的AUC Z-scores。计算了扰动通路scores的中值。 然后使用CTRPv2的MCF7的药物敏感性中值对各药物组进行排序，发现MCF7对8个药物组中的2个明显更敏感（图3A）。使用另一个大规模药物敏感性数据资源GDSC2证实了同样的模式。 03 增加通过蛋白质响应来预测药物敏感性的预测效能 该团队之前的工作说明了基于RPPA baseline蛋白水平对癌细胞系的药物敏感性有预测效能。 整合了该工作的RPPA数据和GDSC2的药物敏感性数据，识别到有7个药物有至少5个不同细胞系的敏感性数据和蛋白表达数据，然后对于每个药物，识别三类与药物敏感性相关的蛋白markers：（1）p0：在细胞系中 ，蛋白的baseline水平显示与药物敏感性有显著的相关性（2）只Dp：蛋白响应与药物敏感性显著相关 （3）Dp和p0：在预测药物敏感性上，蛋白响应显示另外的信息背景。
1.4K20编辑于 2022-03-29 - 来自专栏百味科研芝士
肿瘤药敏多组学数据库(GDSC)的数据介绍和获取
GDSC储存了细胞系的药物敏感性数据： 包括药物-细胞系反应的原始数据和IC50数据（半抑制浓度，凋亡细胞与全部细胞数之比等于50%时所对应的药物浓度，反应细胞对药物的耐受程度。 （癌症功能事件：肿瘤基因的突变、拷贝数变异和甲基化事件）； （B）结合1001个来自COSMIC中的人肿瘤细胞系基因组学数据； （C）筛选出人肿瘤细胞系中的CFEs； （D）对人肿瘤细胞系进行265个药物的敏感性筛查试验 ； （E）最后使用3种不同的分析方法探索CFEs对药敏敏感性的预测作用。 （E1）ANOVA分析单个CFE对药物敏感性的预测作用； （E2）logic模型探索提高药物敏感性预测性能的组合CFEs； （E3）机器模型评估不同数据类型（基因突变、拷贝数变异、甲基化和基因表达数据） 对药物敏感性变异的解释程度。
9.8K30发布于 2020-07-06 - 来自专栏软件研发
ClickHouse 数据类型、函数大小写敏感性
ClickHouse 数据类型、函数大小写敏感性ClickHouse是一种高性能、分布式的列式数据库管理系统，被广泛应用于大数据领域。 在使用ClickHouse进行数据存储和处理时，了解其数据类型和函数大小写敏感性是非常重要的。本文将深入探讨ClickHouse的数据类型以及函数在不同情况下的大小写敏感性。 函数大小写敏感性在ClickHouse中，函数的大小写敏感性是一个需要注意的问题。特别是当使用ClickHouse SQL语法编写查询时，不同的大小写形式可能导致不同的结果。 示例代码为了更好地理解ClickHouse数据类型和函数大小写敏感性的实际应用场景，我们来看一个示例代码。 假设我们有一个电商平台，存储了用户订单信息的ClickHouse表格。 通过以上示例代码，我们可以更好地理解和应用ClickHouse的数据类型和函数大小写敏感性，从而更好地处理和分析我们的数据。
1.8K30编辑于 2023-11-03 - 来自专栏数据科学与人工智能
数据分析的数据敏感性?|数据分析
摘要：什么叫数据敏感？怎样做数据分析？ 一、从数据维度做拆分，让目标更加落地。 我做过近两年的电商运营，其中感触很深的一个点就是从数据的维度对目标做拆分。 天猫的双11刚刚过去，马云又创造了新的成绩
3.7K70发布于 2018-02-28 - 来自专栏DrugOne
Bioinformatics|癌症细胞系的用药反应预测
然后，抽取出24036对药物与细胞敏感性关系构成药物-细胞株响应网络，最后将分子谱网络与药物-细胞株响应网络融合构成大规模响应相关网络。 并使用SVM基于低维特征进行二分类，实现药物与细胞株敏感性关系预测，图1所示，灰色框代表大规模响应相关网络以及其融合之前的网络，蓝色框代表大规模响应相关网络经过LINE二阶相似度表示学习方法压缩后的低维特征向量空间 图4 在特定组织中NRL2DRP方法性能 3.4 发现药物与细胞株敏感性新关系 NRL2DRP方法能够发现GDSC数据集中没有标注的药物与细胞株敏感性之间的关系，并通过相关文献确认这种关系的有效性，表1 显示了NRL2DRP方法基于两种药物预测出可能存在敏感性的细胞株前十的排序，其中粗体标识的细胞株敏感性与药物之间的关系可以通过相关文献得到验证。 ，并基于5折交叉验证法训练一个SVM模型进行二分类，实现药物与细胞株敏感性预测。
81550发布于 2021-02-01
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