- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户7627119的专栏
单细胞测序在药物筛选中的应用
技术分享 单细胞测序在药物筛选中的应用 在药物开发中，药物筛选至关重要，但工作量大，耗时耗力。细胞分子水平如基因表达分析可以反映药物作用机理，为筛选新药提供最原始的数据。 基于此，通过基因表达的高通量测序可以筛选出大量的靶标药物，大大提高药物筛选的效率，促进新药的快速研制。 然而利用单细胞测序技术，则可以很容易地完成这些分析，因此，单细胞测序技术将会成为药物高通量筛选强劲有效的工具。 该项研究表明单细胞测序可在药物筛选中发挥重要的作用。 综上，借助单细胞测序的药物筛选可以鉴定具有相似MoA的化合物，并区分相关但不同的化合物，此外高通量分析细胞药理，可以促进药物筛选和新药研究有效快速发展。 参 考 文 献 1.
3.4K21发布于 2020-08-20 - 来自专栏Python深度学习
使用Python实现深度学习模型：智能药物研发与筛选
随着人工智能和深度学习技术的迅猛发展，智能药物研发与筛选成为了生物医药领域的一个重要方向。通过深度学习模型，我们可以加速药物发现过程，提高药物筛选的效率和准确性。 本文将详细介绍如何使用Python实现一个简单的深度学习模型，用于智能药物研发与筛选。深度学习在药物研发中的应用深度学习是一种基于人工神经网络的机器学习方法，能够自动提取数据中的特征并进行预测。 药物毒性预测：通过预测药物的毒性，筛选出安全性较高的药物。 虽然这个模型相对简单，但它展示了深度学习在药物研发中的潜力。实际应用中，我们可以使用更复杂的模型和更大的数据集，以提高预测的准确性和可靠性。结论深度学习在智能药物研发与筛选中具有广泛的应用前景。 通过使用Python和深度学习库，我们可以构建高效的模型，加速药物发现过程，提高药物筛选的效率和准确性。希望本文能够帮助读者更好地理解深度学习在药物研发中的应用，并提供一些实用的实现示例。
50110编辑于 2024-09-10 - 来自专栏DrugOne
Science | 基于网络的iPSC衍生细胞筛选揭示治疗心脏瓣膜疾病的候选药物
为此，作者开发了一种机器学习方法来寻找药物小分子，以广泛纠正在人类诱发的多能干细胞（iPSC）疾病模型中失调的基因网络，该疾病模型涉及主动脉瓣的常见心脏病。 研究结果表明，最有效的治疗候选物XCT790进行的基因网络校正可广泛应用于患者来源的主动脉瓣细胞，在小鼠模型中成功预防和治疗体内的主动脉瓣疾病。 疾病生物学通常是特定于细胞类型的，因此利用人类诱导的多能干细胞（iPSC）和基因编辑技术可以直接筛选文库，以评估人类疾病相关细胞中的基因网络校正。 在这项工作中，作者进行了基于网络的药物筛选以识别小分子，这些小分子纠正了来自患有AV狭窄和CAVD的患者在iPSC衍生的EC中，由N1单倍剂量不足引起的基因网络失调。 3 总结 这项工作代表了在人类疾病相关的iPsC衍生细胞中基于广泛基因网络的药物筛选，该筛选在一系列原代人类细胞和小鼠模型中得到了验证，从而确定了可治愈人类心脏病的潜在治疗分子。
83530发布于 2021-02-01 - 来自专栏生命科学
细胞实验 | 细胞污染还是药物析出？-MedChemExpress
若实验过程中所需的药物不建议被高温高压和辐照杀菌， 建议使用 0.22 μm 的滤膜过滤除菌，可有效避免真菌和细菌污染。 药物结晶析出由于很多小分子水溶性不好，常用有机溶剂，如 DMSO 配制母液，再稀释到培养基孵育细胞。 稀释的过程中由于产品溶解性、温度、浓度等因素的影响，很容易出现药物析出，在显微镜下观察：一般会呈现出针状，雪花状或者点状结晶。有些童鞋就一不小心误认为是真菌菌丝了。 MCE 小贴士：为避免药物析出，稀释前，可将母液和培养基 37℃ 预热，避免温度低造成严重析出。若稀释过程中出现化合物析出的情况， 可采用超声加热的方法使其复溶。 现在大家是不是能很好的区分药物析出和细胞污染及其种类了呢？
70530编辑于 2023-04-07 - 来自专栏机器之心
利用知识图谱和分子图，湖大等开发药物筛选新模型
在本文中，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。 研究人员提出了一种新颖的大规模知识图谱增强多任务学习模型 KG-MTL，其思路简单且直观，采用多任务学习策略将分子图的拓扑结构和 KG 中相应的药物实体相结合。 现有模型通常通过各种嵌入方法提取药物特征，直接从 KG 中学习实体嵌入，同时很容易忽略药物与其他实体之间的语义关系和拓扑特征。 在所有变体中，KG-MTL-S 与 KG-MTL 相比具有最显著的性能差距，这表明共享单元在帮助模型共同捕获从分子图和知识图谱中提取的药物特征方面贡献最大，从而提高了预测性能。 本文专注于分子相互作用预测，该预测要求模型捕获药物和靶标相关的相互作用。然而，以前的工作采用不充足的信息来表示药物特征，忽略了知识图谱中的语义信息。
66510编辑于 2022-08-25 【辰辉创聚生物】报告基因细胞系 | 信号通路分析 | 高通量药物筛选
报告基因细胞系正是这样一类经过精密工程化改造的细胞模型，它将不可见的生物化学过程转化为可定量检测的光信号或荧光信号，已成为信号通路研究与高通量药物筛选领域中不可或缺的核心工具。 高通量药物筛选在药物研发的早期阶段，尤其是针对新靶点的先导化合物发现，高通量药物筛选需要能够在短时间内对数万乃至数百万种化合物进行快速评估。基于报告基因细胞系的检测方法完美契合了这一需求。 靶点特异性筛选：构建靶向特定疾病相关通路（如炎症、肿瘤发生、代谢紊乱）的报告基因细胞系。 细胞毒性初筛：结合组成型表达的荧光蛋白报告基因（作为细胞活性/数量的内参），可以在筛选特异性活性的同时，初步评估化合物的潜在细胞毒性，提高筛选质量。 G蛋白偶联受体药物筛选：针对GPCR这一重要的药物靶点家族，构建基于CRE、SRE或NFAT等响应元件的报告基因细胞系，是发现新型激动剂或拮抗剂的主流技术平台。
14110编辑于 2026-02-02- 来自专栏生命科学
药物筛选化合物库 | MedChemExpress缺氧诱导因子 HIF在细胞代谢中的作用 | MedChemExpress
细胞感受氧气的机制 细胞对氧气感知的关键分子是缺氧诱导因子 HIF，HIF 是低氧相关基因的转录因子，能促进各种应对低氧的基因表达，在肿瘤发生、血管增殖、无氧代谢等细胞基本代谢调节中的发挥重要作用。 在氧气浓度较高时，HIF-1α 在细胞内被泛素化后经过蛋白酶水解，细胞中几乎检测不到 HIF-1α 的存在。 同样，细胞中 VHL 失活，HIF-1α 即使在高氧浓度下也无法被泛素化降解，积聚在细胞内。 细胞中氧调节与疾病的关系 实体肿瘤在生长过程中逐渐扩大，宿主血管不能满足其生长需求，从而形成一种缺氧的恶性微环境，近年来发现，HIF-1 在调节肿瘤细胞的氧稳定中发挥重要作用，可通过不同途径调节细胞因子的表达 MCE 紧跟科研步伐，该化合物库也处于不断更新中，可为您筛选氧感应机制相关的药物提供更多便利。 参考文献 [1] Semenza, G.L, et al.
65910编辑于 2023-03-01 - 来自专栏DrugOne
. | HitScreen：基于序列的药物虚拟筛选模型
近日，浙江大学药学院盛荣团队在Journal of Chemical Information and Modeling期刊发表了一个基于序列的端到端的深度学习模型—HitScreen1，专门用于药物虚拟筛选场景 在严格去重的外部测试集 DUD-E 和 DEKOIS2.0 上，该模型仅通过序列信息就达到了与基于结构方法相当甚至略优的水平。这表明，即使缺乏蛋白质结构，仅凭序列信息也能实现有效的虚拟筛选。 值得注意的是，当移除数据增强、蛋白质语言模型表征或特征交互模块会造成筛选性能的显著性下降，说明这些模块的最为关键。 图5. HitScreen的消融实验。 总结与展望 综上，HitScreen 是一个端到端的基于序列药物-靶标相互作用预测框架，适用于药物的虚拟筛选场景。 展望未来，基于序列的药物-靶标预测有望进一步加深对药物靶标相互作用的理解，并加速药物开发。
31110编辑于 2025-10-14 - 来自专栏分析工具
oncoPredict：根据细胞系筛选数据预测体内或癌症患者药物反应和生物标志物
该函数使用了大规模基因表达和药物筛选数据(训练数据集)来构建了Ridge regression模型，然后将其应用于新的基因表达数据集(测试数据集)，以产生新的药物敏感性分析结果。 CTRP全称是癌症治疗反应门户(https://portals.broadinstitute.org/ctrp/)，其通过连接癌细胞系的基因、家族以及其他细胞特征与小分子药物敏感性信息进而加速与患者相匹配的癌症治疗药物的发现 GDSC全称是癌症药物敏感性基因组学数据库(https://www.cancerrxgene.org/)，该数据库时关于癌症细胞药物敏感性和分子标志物信息的最大公共数据库之一，该数据库整合了细胞、药物和分子的三个不同层次 ，阐述了不同肿瘤细胞对药物的敏感性。 drug是药物IC50值，exp是对应细胞系基因的表达矩阵。
78700编辑于 2024-07-26 - 来自专栏单细胞天地
M2-TAM细胞相关biomarker构建新的预后signature揭示免疫景观并在肝癌中筛选药物
肿瘤相关巨噬细胞：（Tumor-associated macrophages，TAMs）是属于巨噬细胞细胞系的一种细胞，发现于肿瘤组织附近。 M2-TAM高度相关的signature；（2）使用多种分析角度signature的重要意义，包括预后准确性分析、泛化能力验证、指导药物发现等方面。 ）基于signatures计算的risk score将病人分为high/low group，进行生存分析、ROC分析，并以测试集验证； （4）risk score与免疫浸润、免疫基因等的关系，并为相关药物发现提供参考依据 (singleR) （2）共得到包括TAM在内的3类免疫细胞，并分析得到TAM的2047个高表达基因 image-20221113211722011 2.3 筛选得到最终的HCC相关M2-TAM基因 （2）risk score与样本的免疫浸润、免疫检查点相关基因表达程度的相关性（如下图） （3）risk score与样本预测的化合物IC50(“pRRophitic” package)用于发现相关药物
1.2K30编辑于 2022-11-24 - 来自专栏HyperAI超神经
拨慢人体衰老时钟，MIT 利用 Chemprop 模型发现兼具药效与安全性的细胞抗衰化合物
随后，基于 Chemprop 模型（一种消息传播图神经网络模型），他们筛选出了高效安全的抗衰老药物。 实验过程 本实验主要包括 3 个步骤： 1、从美国 FDA 审批通过及正在进行临床试验的 2,352 种药物中，筛选出有抗衰老功效的药物，作为模型的训练集； 2、通过 Chemprop 模型，筛选抗衰老药物 筛选过程 抗衰老药物需要满足以下 3 个指标： 1、药物处理后正常细胞的相对活性＞0.7 2、衰老细胞的相对活性＜0.5 3、衰老细胞与正常细胞的活性之比＜0.7 基于这 3 个标准，研究者首先从 FDA 审批通过及正在进行临床试验的药物中，筛选出了 45 种具有抗衰老特性的药物，作为 Chemprop 模型训练集。 在经历层层筛选后，Chemprop 模型最终得到了高效安全的抗衰老药物。 Chemprop 模型：药物开发好帮手 Chemprop 模型是一种基于图神经网络 (GNN) 的深度学习模型。
70230编辑于 2023-08-31 - 来自专栏智药邦
用细胞数字孪生加速药物发现
下一代系统生物学公司DeepLife基于这些组学数据，创建了一个人类细胞数字孪生的平台，使科学家能够在计算机上快速评估细胞对候选药物的反应。 DeepLife的数字细胞技术平台 图 1 | DeepLife的数字细胞技术平台。借助DeepLife开发的数字细胞技术，生物学家可以访问细胞机制的可解释表示。通路和最可能的药物靶点突出显示。 数字孪生是物理对象或过程的虚拟模型。这一概念最初出现在生命科学之外，它使公司能够在虚拟世界中对物理对象(例如风力涡轮机)进行建模。 将单细胞分析从体外转移到计算机中对药物发现具有深远的影响。 --DeepLife创始人兼首席技术官Jean Baptista Morlot “数字细胞”产品提供全面的通路分析，并支持疾病特异性细胞模型的可药用靶点和生物标志物的识别和优先排序。
1.2K20编辑于 2022-06-08 - 来自专栏生信菜鸟团
【生信文献200篇】24 类器官助力CRPC-NE的治疗
模型： 常用的筛选模型都在分子水平和细胞水平，观察的是药物与分子靶点的相互作用，能够直接认识药物的基本作用机制。 1.分子水平的药物筛选模型:受体筛选模型;酶筛选模型;离子通道筛选模型 1.1受体筛选模型:指受体与放射性配体结合模型。 2.细胞水平药物筛选模型 观察被筛样品对细胞的作用,但不能反映药物作用的具体途径和靶标,仅反映药物对细胞生长等过程的综合作用。 但是，高通量筛选作为药物筛选的方法,并不是一种万能的手段，首先，高通量筛选所采用的主要是分子、细胞水平的体外实验模型，任何模型都不可能充分反映药物的全面药理作用；其次，用于高通量筛选的模型是有限的和不断发展的 但我们应该相信，随着对高通量筛选研究的深入，随着对筛选模型的评价标准、新的药物作用靶点的发现以及筛选模型的新颖性和实用性的统一，高通量筛选技术必将在未来的药物研究中发挥越来越重要的作用。
96220发布于 2021-03-23 - 来自专栏生命科学
肿瘤类器官在药物筛选中的应用-MedChemExpress
传统的药物筛选主要依赖于 2D 培养的细胞模型，但 2D 培养细胞在进行药效评估方面存在一定的局限性[1]（详见往期推文：类器官 — 从 2D 到 3D 的进阶）。 经过对肿瘤类器官与自体外周血淋巴细胞共培养的多次研究发现，足够数量的肿瘤特异性T细胞在肿瘤类器官模型中用于免疫治疗是必不可少的[10]。 经过药物筛选最终从 141 种表观遗传相关化合物中筛选出 3 种能够促进抗原呈递和增强 T 细胞介导的细胞毒性的表观遗传抑制剂[12]。 肿瘤类器官芯片（临床前预测）除了活性药物筛选及细胞毒性检测等，患者来源的类肿瘤器官还可为精准医疗提供可靠的体外肿瘤模型[14,15]。 因此，类器官模型及筛选平台将有助于更好地了解疾病机制，测试和开发疾病相关的新药物。
66440编辑于 2023-04-23 - 来自专栏智药邦
Nat Commun｜基于化学微扰转录组自监督表征学习的药物筛选
基于表型的药物筛选方法关注化学分子在细胞、组织、整体动物水平上的响应，可以提供对疾病机制的全面理解，在药物研发中发挥重要作用。 该模型从细胞基因表达和分子结构以高精度预测化学微扰转录组，相应的微扰表征在基于配体的虚拟筛选、药物响应预测和基于表型的药物重定向等下游任务中展现出有效性。 背景 基于表型的筛选是药物研发中的重要方法之一，侧重于化合物的更全面的细胞响应，提供对疾病机制更全面的理解，并有可能发现新的药物作用机制和治疗机会。 按照细胞系划分场景下，训练集使用不同数量的细胞系时TranSiGen模型的性能。 3. 下游任务1：基于配体的虚拟筛选 本节研究了TranSiGen表征作为基于配体的虚拟筛选任务中分子表征的潜力。 此外，构建随机森林模型将TranSiGen表征用于药物响应预测，并与结合分子结构和细胞信息的模型（ECFP4+X1和 KPGT+X1）进行性能比较。
59310编辑于 2024-07-16 - 来自专栏DrugOne
Cell | 密歇根州立大学团队利用深度学习从头设计药物，实现逆转疾病相关转录表型
在此基础上，该框架还可以结合生成模型，从头设计新的化合物，并通过预测模型筛选出能够有效逆转疾病转录特征的候选药物。 传统的药物筛选方法需要在实验中逐个测试化合物，成本高且效率低。近年来，公共数据库中积累了大量化合物处理后的基因表达数据，使得研究人员可以利用计算方法预测药物对细胞的影响。 图4: 基于GPS的大规模抗肝细胞癌候选药物筛选及命中到先导化合物优化。 从头生成新分子并进行结构优化 为了进一步提高活性，研究人员使用生成模型设计新的化合物，并通过预测模型评估其转录效应。 在优化过程中，模型逐步生成具有更高反转评分的分子，并在实验中验证其活性。通过这一过程，研究人员获得了比初始筛选分子更有效的候选药物。 图5: 用于肝细胞癌药物发现和作用机制解析的SGAR分析。 研究人员认为，将基因表达预测与生成模型结合，可以实现自动化的药物设计流程，从大规模虚拟筛选到分子优化再到实验验证，大大提高药物发现效率。
13110编辑于 2026-03-25 Cell | 面向药物发现的新方法学范式
从神经系统到心脏、血管以及代谢器官，研究人员利用干细胞模型系统性地筛选药物候选物，并解析其作用机制。这些成果表明，干细胞NAMs不仅是描述性模型，更逐渐成为预测性与机制性工具。 这些技术能够在细胞水平上实现精确的功能解析，并加速药物筛选流程。同时，多细胞共培养系统和微生理系统的引入，使模型能够更真实地模拟组织间相互作用。 通过构建三维结构并整合多种细胞类型，类器官能够在体外模拟真实器官的结构与功能。 这些模型已被广泛应用于多个领域。在肿瘤研究中，类器官能够保留患者肿瘤的遗传特征和表型特征，从而用于药物筛选和个体化治疗。 AI方法不仅能够加速候选药物筛选，还可以通过多组学数据整合，实现更精准的疾病理解。同时，生成模型和预测模型的发展，使药物设计从经验驱动转向数据驱动。 从干细胞治疗到类器官辅助药物筛选，再到AI驱动的诊断工具，这些方法正在改变临床研究模式。 例如，患者来源模型被用于指导个体化治疗方案，而AI模型则用于预测疾病进展和治疗反应。
12510编辑于 2026-04-13- 来自专栏生命科学
基于 AI 的药物筛选技术，有哪些优势？| MCE
提升评估精度： 此外，AI 驱动的预测模型可以帮助研究人员更准确地评估候选药物的有效性和安全性，从而指导优先对哪些化合物进行进一步的优化和测试。 基于靶点的 AI 筛选： 基于靶点的 AI 筛选通过机器学习中的深度神经网络、随机森林等算法及分子对接等技术，构建化合物化学结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测。 基于深度学习 (Deep Learning，DL) 模型预测蛋白质与小分子结合的 AI 筛选流程如下： 图 2. 基于深度学习模型预测蛋白和小分子结合的流程图 基于配体的 AI 筛选： 在基于配体的 AI 筛选中，研究人员可以从已知的化合物库中寻找具有所需性质的化合物，或者将已知的活性分子作为训练集，使用 AI 工具总结其特征并生成相似的新分子 AI 生成模型可以在更广泛的化学空间中搜索新分子，设计出具有特定药物特性的候选分子，从而提高药物研发的效率和成功率。 图 3.
40810编辑于 2025-07-25 - 来自专栏生命科学
药物筛选在PROTAC中的应用_MedChemExpress(MCE 中国)
本期看点：虚拟筛选、分子对接及分子动力学模拟技术在 PROTAC 开发中的应用！蛋白降解靶向嵌合体 (PROTAC):一种新颖的药物设计策略，它是利用细胞内的泛素-蛋白酶体降解机制来实现蛋白质降解。 计算机辅助药物设计 (CADD):利用计算机模拟和分子建模技术来预测药物分子与生物靶标之间的相互作用，其主要方法包括虚拟筛选、分子对接、分子动力学模拟等。 Section.01虚拟筛选在 PROTAC 设计中的应用虚拟筛选是通过计算机模拟和预测的方法，在大量化合物数据库中筛选出具有潜在结合活性的化合物，能够大大加速药物研发过程。 近日，中国医学科学院药物研究所刘晓辉课题组就利用了虚拟筛选和体内外实验成功获得了亲和分子#129，并进一步设计合成了一系列 PROTAC 分子。 后续的药理学研究表明，PT-129 可以通过促使应激颗粒解体，阻断 ATF4 在成纤维细胞与肿瘤细胞间的传递，显著抑制了肿瘤细胞的增殖和体内肿瘤的生长1。
46710编辑于 2025-06-06 - 来自专栏DrugOne
. | 知识引导图学习赋能表型与靶点融合的创新药物发现
表型驱动的药物发现通过评估药物对细胞或动物模型生理和病理表型的综合影响来筛选候选化合物，而靶点驱动的药物发现则依赖于对特定分子靶点的作用机制、结合特性及信号通路调控的深入研究，以筛选能够特异性调控靶点功能的药物 BioHG架构包括药物反应数据（捕捉药物与细胞的关系）、药物靶标数据（描述药物与蛋白质的相互作用）和细胞系的RNA表达谱（代表蛋白质与细胞系的关系）。 PDTX药物反应性预测 该研究探索了将基于细胞系训练的药物反应模型转移到临床前疾病模型中的潜力。患者源性肿瘤异种移植（PDTX）已成为癌症研究的重要工具，能够弥补传统临床前模型与临床应用之间的差距。 基于KGDRP和BioHG的表达谱，研究使用MLP模型预测了7070种药物的反应得分，并筛选出在SARS-CoV-2感染样本中得分较高、健康样本中得分较低的药物。 这些结果表明，KGDRP在表型药物筛选中表现出显著更高的成功率，证明了其利用BioHG的有效性。 图4. 药物表型筛选结果。
32210编辑于 2025-03-20
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