使用显性和隐性知识加强 AI 药物发现
本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。
Jun, 2023
此篇论文综述了近期在人工智能方法论中应用于药物发现的最新进展,并将其分为分子序列和几何图形的表征学习、基于数据驱动的推理以及基于知识的推理三个相对稳定的子领域,并探讨了未来可能的研究方向及挑战。
Feb, 2022
药物发现正在适应新技术,如数据科学、信息学和人工智能(AI),以加速有效治疗的开发,同时减少成本和动物实验。 AI 正在改变药物发现的方式,成功的药物发现需要优化与药理动力学、药代动力学和临床结果相关的特性。本文讨论了 AI 在药物发现的三个支柱(疾病、靶点和治疗模式)中的应用,重点关注小分子药物。
Jul, 2023
本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法,用于预测药物相互作用的风险,融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练,并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现,通过三个最佳分类器的模型平均集成方法,在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。
Aug, 2019
通过知识图谱中的生物医学领域信息,使用深度学习技术和图神经网络,基于药物的图表示,预测和解释药物之间的潜在相互作用,以弥补已知药物之间相互作用稀缺性的不足,在药物交互作用预测中取得了领先的性能,促进了生物医学和医疗保健的发展。
Nov, 2023
该论文介绍了一种名为 medicX 的端到端框架,它将来自公共药物库的多种药物特征集成到一个知识图谱中,并使用各种翻译、分解和神经网络方法嵌入图谱中的节点,最终使用机器学习算法来预测未知的药物相互作用。
Aug, 2023
本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法,用于学习解释性的表型特征,以进行强大的预测,同时模仿深度学习模型,以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明,我们的方法获得了与深度学习模型相似或更好的性能,且为临床决策提供了可解释的表型特征。
Dec, 2015
本文提出了一种集成领域知识和可观察临床表现的新型 DKINet 框架,用于药物推荐,并设计了一个基于知识的编码器和一个基于数据的编码器,以及一个明确的药物编码器,用于学习患者的纵向依赖关系,并在三个公开数据集上进行了广泛的实验。
May, 2023
人工智能在药物研发的各个阶段中得到了越来越多的应用。我们提出了一个新的数据挑战,即数据集常常相互独立收集,缺乏重叠部分,导致数据稀疏。为解决这一挑战,我们提出了一种新颖的扩散图神经网络模型 Syngand,可以全面生成配体和药物动力学数据。利用我们的 Syngand 模型,我们展示了一种用于现有配体采样药物动力学数据的方法学。我们在 AqSolDB、LD50 和 hERG central 等下游回归任务上展示了 Syngand 生成的合成靶标属性数据的初步有效结果。使用我们提出的模型和方法,研究人员可以轻松生成合成配体数据,以帮助他们探索涉及跨多个数据集的研究问题。
May, 2024