May, 2024

基于机器学习和分子对接的对 BindingDB 数据库配体在 EGFR、HER2、雌激素受体、孕激素受体和 NF-kB 受体的筛选

PDF
TL;DR通过虚拟筛选与化学空间的探索，我们选择了针对乳腺癌治疗靶点 EGFR+HER2、ER、NF-kB 和 PR 的具有高优先级的新配体。
breast cancertherapeutic targetsligandsvirtual screeningdendrogram
发现论文，激发创造
  • 双通道卷积神经网络利用微傅里叶红外光谱成像来预测乳腺癌亚型及生物标志物水平：雌激素受体、孕激素受体、HER2 和 Ki67

    该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测，通过对 60 个乳腺活检样本进行图像采集和处理，达到对乳腺癌分子亚型和生物标志物水平的准确预测，有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。

    Oct, 2023

  • 联合流：乳腺癌诊断的恶性区域学习

    通过使用组织病理学图像检测和结合多种因素（ER、PR、HER2、ALN、HG、MS）进行分类，本研究展示了在公开数据集上，利用恶性区域学习模块结合空间和频域信息，可显著提高乳腺癌的多因素和单因素诊断性能。

    Jun, 2024

  • 从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态

    通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

    Aug, 2023

  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

    Dec, 2017

  • 一种配体和结构双驱动的深度学习方法，用于发现高效的 GnRH1R 拮抗剂，治疗子宫疾病

    本研究开发了一个基于深度学习的框架来发现具有理想性质的 GnRH1R 口服小分子药物，并使用 LS-MolGen 模型进行分子生成和筛选，实验验证了 3 种候选药物的潜在抑制活性和药代动力学性质，并认为该工作流程可以延伸至类似的新药设计和优化任务。

    Jul, 2022

  • 探索基因调控互作网络并预测咽喉癌和 EGFR 突变肺腺癌的治疗分子

    使用生物信息学工具对 EGFR 突变型肺腺癌和咽下癌进行基因调控网络分析，发现了共同治疗分子，为这两种疾病同时患者提供了有益的治疗方法。

    Feb, 2024

  • 元模型改进的配体 - 蛋白结合亲和力预测

    通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

    Oct, 2023

  • 使用深度学习技术预测肺组织活检图像的 EGFR 突变

    本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。

    Aug, 2022

  • 利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分

    使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

    Apr, 2024

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018