Jun, 2024

通过网络医学和基因人工智能加速复杂疾病治疗：以乳腺癌药物再定位为案例研究

PDF
TL;DR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。
network medicinedrug combinationsclinical trialssignaling pathwaysbreast cancer
发现论文，激发创造
  • 用于鉴定 COVID-19 药物再利用机会的网络医学框架

    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

  • 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

  • 基于聚类和图深度学习的 COVID-19 药物再利用框架

    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

  • 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

  • 生物医学大数据时代的网络医学

    综述了现有的网络类型和生物医学数据来源，并提出了三种网络医学方法，探讨各种网络方法工作的哲学。通过将生物医学数据与网络相结合，可以用于识别治疗靶点，从而改善个性化医疗的预防医学。

    Mar, 2019

  • 基于图表示的患者医疗状况预测：朝向数字孪生

    本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

    Sep, 2020

  • 建模重要路径以进行有效的阿尔茨海默病药物再利用

    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

  • 互作基因组网络中的多尺度拓扑：从转录组到抗成瘾药物再利用

    该研究采用创新且严谨的策略，从转录组数据分析和药物发现的角度，挖掘潜在的阿片类和可卡因成瘾治疗药物再利用候选物。通过基因表达差异分析和蛋白质相互作用网络，我们鉴定出 mTOR、mGluR5 和 NMDAR 三个关键分子靶点，利用自然语言处理和机器学习模型评估药物结合亲和性及其与靶点的相互作用，为药物在成瘾治疗中的再利用及后续实验证明提供了全面且多方面的分析框架。

    Dec, 2023

  • 使用 PathFormer 进行高准确性疾病诊断和高复现性生物标志物鉴定

    通过使用信号网络、先验知识和组学数据，我们提出了一种名为 PathFormer 的新型 GNN 模型结构，以对生物标志物进行排序和预测疾病诊断，相较于现有的 GNN 模型，在高度准确的预测能力方面有着显著优势（与现有的 GNN 模型相比，在疾病诊断方面提高了 30% 的准确性），并且在不同数据集上具有较高的生物标志物排名的可重复性。该改进在两个独立的阿尔茨海默病（AD）和癌症转录组数据集上得到验证，PathFormer 模型可以直接应用于其他组学数据分析研究。

    Feb, 2024

  • 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