Sep, 2023

预测药物与疾病相关性的计算方法综述

PDF
TL;DR近几十年来，传统药物研发面临高成本、长周期和高风险等挑战，为了解决这些问题，许多计算方法被提出用于预测药物与疾病之间的关系，从而降低新药研发的成本、周期和风险。本综述聚焦于预测药物重新定位中的药物 - 疾病关联方法的最新进展，将这些方法分为神经网络算法、基于矩阵的算法、推荐算法、基于链接推理的算法以及文本挖掘和语义推理等几个组别。随后比较了现有药物 - 疾病关联预测算法的预测性能，并深入探讨了关于药物 - 疾病关联的现有挑战和未来前景。
发现论文，激发创造
  • 利用专利知识构建生物医学知识图谱揭示药物再定位候选剂的技术潜力

    通过利用药物再定位候选药物的技术潜力和科学证据，通过构建科学生物医学知识图谱和药物专利知识图谱的关联关系，并使用图嵌入协议来评估与目标疾病相关的专利的技术潜力，本研究旨在桥接计算发现与药物再定位研究中成功的市场应用之间的差距。

    Sep, 2023

  • 基于图形协同注意力的药物不良反应预测

    该研究提出了一种神经网络架构，利用多药副作用类型和药物分子结构，采用共同注意机制，对药物组合进行机器学习，以便预测药物之间的相互作用和潜在的副作用。

    May, 2019

  • 通过疾病特定超图的组合生成药物重用假设

    通过研究药物再利用的假设生成工具，并结合基于实验室实验和生物医学文献的半自动解析的验证流程，本文介绍了一种基于生物医学知识图谱和超图表示学习的计算方法，用于推断各种长度的生物通路的上下文嵌入，并评估药物在多种疾病的再利用潜力。

    Nov, 2023

  • DrugCLIP：药物重定位的对比药物 - 疾病相互作用

    通过 DrugCLIP 方法和基于真实世界临床试验记录的数据集，本研究验证了药物重复利用和基于机器学习方法的新药研发的有效性。

    Jul, 2024

  • 药物相互作用预测中深度学习与图学习的综合评估

    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

  • 药物协同作用预测的新方法

    本文通过探索基于高通量组合筛选的新的药物组合协同性预测方法，总结了 2021 年以来发表的三十多种原始机器学习方法，其中绝大多数基于深度学习技术。我们旨在通过突出核心技术、数据来源、输入数据类型、以及方法中使用的协同性评分、预测场景和评估协议，对这些论文进行统一的观察。我们发现，最好的方法能够准确解决已知药物或细胞系参与的协同性预测，然而当涉及到新的药物或细胞系时，准确预测的水平仍然有待提高。

    Apr, 2024

  • 基于知识图谱嵌入和卷积 - LSTM 网络的药物相互作用预测

    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

  • 分子图深度学习预测药物副作用

    本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

    Nov, 2022

  • 使用循环神经网络预测药物分子的副作用

    使用简单循环神经网络的启发式方法可以在保持性能的同时减少 98% 的参数数量，以解决化合物合成过程中鉴定副作用的困难问题。

    May, 2023

  • 药物对打分的关系深度学习统一视图

    该研究为解决多药副作用识别、药物间相互作用预测和联合疗法设计任务提供了一种统一的关系机器学习模型的理论视角，讨论了现有模型架构、性能指标、数据集和评估协议，强调了在该领域中可能的高影响应用和重要的未来研究方向。

    Nov, 2021