该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。

Nov, 2023

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

本研究提出了一种深度生成模型，利用自编码器模型的潜在空间，结合基于随机微分方程的扩散建模，实现有效生成对多种目标，包括 mu、kappa 和 delta 阿片类受体有效的分子，通过整合自动编码器嵌入分子指纹、变压器嵌入和拓扑拉普拉斯与先进机器学习算法构建亲和力预测器，进一步需进行实验评估，以评估这些类药物化合物在 OUD 治疗中的药理效应，该机器学习平台可作为设计和优化针对 OUD 的有效分子的有价值工具。

Jun, 2023

通过结合网络医学方法和基于 GenAI 的 ChatGPT 智能引擎，该研究构建了一个多层次的网络，通过实时提取临床试验中的药物信息并与疾病特定的信号通路相连接，为复杂疾病（如癌症和阿尔茨海默病）生成药物组合疗法，展示了基于真实世界证据的药物 “再利用” 潜力以及可以进一步研究的领域。

Jun, 2024

最近，药物再利用作为一种有效和资源高效的方法已经成为 AD 药物发现的一种范例。其中，网络方法在药物再利用中显示出了很好的效果，因为它们能够利用复杂网络来整合多种相互作用类型（如蛋白质相互作用），以更有效地识别候选药物。然而，现有方法通常假设网络中具有相同长度的路径对于识别药物的治疗效果具有相等的重要性。和其他领域的研究发现，相同长度的路径并不一定具有相同的重要性。因此，依赖于这种假设可能对药物再利用尝试造成不利影响。在本研究中，我们提出了一种被称为 MPI（Modeling Path Importance）的新型网络方法用于 AD 药物再利用。MPI 的独特之处在于，它通过学习到的节点嵌入来优先考虑重要路径，这样能够有效地捕捉网络的丰富结构信息。因此，利用学到的嵌入使得 MPI 能够有效区分路径的重要性。我们将 MPI 与一种常用的基准方法进行评估，该方法主要根据网络中药物与 AD 之间的最短路径来识别抗 AD 药物候选物。我们观察到，在排名前 50 的候选药物中，与基准方法相比，MPI 优先考虑了 20.0% 更多具有抗 AD 证据的药物。最后，我们利用保险索赔数据生成的 Cox 比例危险模型有助于我们识别使用依托拉他、尼古丁和越过血脑屏障的 ACE-INHs 可降低 AD 风险，这表明这些药物可能是可行的再利用候选物，并应在未来的研究中进一步探索。

Oct, 2023

利用异质、互连、系统级的分子数据来实现个性化医疗，需要开发一种一般的综合性嵌入多尺度分子网络数据的框架，以实现在线性时间内对其进行可解释性利用。

May, 2024

利用基于图形的自动编码器进行多特征类型聚类的无监督机器学习框架发现 COVID-19 药物再利用的三个感兴趣的簇，并推荐了前 15 种药物，其中包括大量正在进行临床试验的药物。

Jun, 2023

使用 HGTDR（异构图转换器用于药物再利用）提出了一种三步方法，通过构建异构知识图、利用异构图转换器网络以及使用全连接网络计算关系得分，来解决药物再利用面临的挑战，并验证了 HGTDR 能够预测药物 - 蛋白质和疾病 - 蛋白质等其他类型的关系。

May, 2024

机器学习在药物开发过程中被广泛应用，然而药物响应预测中的模型解释性是一个重要挑战，本研究通过构建异质图来设计了一种名为 drGAT 的图深度学习模型，用于药物敏感性预测和药物机制的解释，该模型在预测药物敏感性方面表现出优越性能，也能用于寻找与癌症患者治疗相关的生物标志物。

May, 2024

本文使用基于网络传播、网络邻近等人工智能算法对 6340 种药物进行评估，以便快速、可靠地筛选适合 SARS-CoV-2 感染的药物。结果表明，多模式方法比任何单一算法更好地预测了药物的有效性，并可为未来快速识别可重复用药提供方法学途径。

Apr, 2020