相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程,但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法ASEKELM(self-Adaptive Spherical E...相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程,但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法ASEKELM(self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine)。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本;并且为了解决球形演化算法易陷入局部最优的问题,利用搜索因子历史记忆的反馈机制及群大小线性递减的策略(LPSR),实现全局搜索和局部搜索的平衡,提高算法的寻优能力;然后利用自适应球形演化算法对核极限学习机(KELM)的参数进行优化。在基于黄金标准的数据集上将ASEKELM与NetLapRLS(Network Laplacian Regularized Least Square)、BLM-NII(Bipartite Local Model with Neighbor-based Interaction profile Inferring)等算法进行对比,验证算法的性能。实验结果表明,在酶(E)、G-蛋白偶联受体(GPCR)、离子通道(IC)和核受体(NR)数据集中,ASE-KELM的ROC曲线下面积(AUC)与PR曲线下面积(AUPR)均优于对比算法;且基于DrugBank等数据库,ASE-KELM在预测新药物-靶标对的验证过程中表现良好。展开更多
提出了一种基于双层双向长短时记忆网络(bi-directional long short term memory,BiLSTM)和自注意力(self-attention)机制的药物-药物相互作用(drug-drug interactions,DDIs)预测方法SA-BiLSTM。首先,利用FP3指纹、MACCS指纹、Pubchem...提出了一种基于双层双向长短时记忆网络(bi-directional long short term memory,BiLSTM)和自注意力(self-attention)机制的药物-药物相互作用(drug-drug interactions,DDIs)预测方法SA-BiLSTM。首先,利用FP3指纹、MACCS指纹、Pubchem指纹和PaDEL分子描述符对药物特征信息进行提取。其次,使用套索回归(least absolute shrinkage and selection operator,Lasso)方法消除对分类无关的特征,并利用重复编辑最近邻(repeated edited nearest neighbors,RENN)方法对数据进行平衡处理,得到最优特征向量。最后,将最优特征向量输入结合自注意力机制和双向长短时记忆网络的分类器预测DDIs。基于五折交叉验证,同时与其它预测方法进行比较,本工作所提出的方法在两个数据集上获得较高的预测准确率。为了综合评价SA-BiLSTM的性能,对药物-药物相互作用网络进行验证。实验结果表明,SA-BiLSTM表现出优秀的预测能力,可以为DDIs的预测提供一种新的思路。展开更多
[目的]探讨黄连-升麻药对治疗复发性口腔溃疡(recurrent aphthous ulcer,RAU)的现代药理机制,分析可能存在的中医治法相关疗效因素,进一步指导中医临床辨治。[方法]使用中药系统药理学数据库与分析平台(Traditional Chinese Medicine Sy...[目的]探讨黄连-升麻药对治疗复发性口腔溃疡(recurrent aphthous ulcer,RAU)的现代药理机制,分析可能存在的中医治法相关疗效因素,进一步指导中医临床辨治。[方法]使用中药系统药理学数据库与分析平台(Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform,TCMSP)检索药物成分及靶点,通过在线人类孟德尔遗传(Online Mendelian Inheritance in Man,OMIM)数据库、人类基因组注释数据库(Human Genome Annotation Database,GeneCards)等检索疾病相关靶点,取交集后采用STRING平台进行蛋白互作(protein-protein interaction,PPI)分析,以CytoScape 3.7.2软件绘制PPI网络图并筛选出核心靶点,上传至MetaScape数据库,进行基因本体(gene ontology,GO)富集分析与京都基因和基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)信号通路富集分析并构建网络图,利用AutoDock 4.2.6软件进行分子对接,并采用PyMOL软件将对接结果可视化。采用脊柱两侧注射完全弗氏佐剂的方法构建RAU大鼠模型;采用实时定量聚合酶链式反应(Real-time quantitative polymerase chain reaction,Real-time qPCR)检测各组大鼠口腔组织中核心靶基因的表达情况。[结果]筛选得到黄连、升麻活性成分共19个,靶点191个,药物与疾病交集靶点127个,药对干预RAU核心靶点23个,并依据连接度筛选出7个最关键的靶点,核心通路为白细胞介素-17(interleukin-17,IL-17)与肿瘤坏死因子(tumor necrosis factor,TNF)相关的信号通路。分子对接结果显示核心有效成分豆甾醇与各关键靶点均有较高的结合活性。动物实验发现,该药对可有效减少大鼠口腔溃疡数目。与空白对照组比较,模型组、低剂量组、中剂量组和高剂量组关键靶点表达明显更高(P<0.05);高剂量组靶点的mRNA相对表达和口腔溃疡数明显低于模型组、低剂量组、中剂量组(P<0.05)。[结论]黄连-升麻药对治疗RAU的分子机制,与其抗炎、保护口腔黏膜、调节免疫等作用有关,而相关的中医疗效机制涉及清热解毒、化瘀通络、托毒敛疮生肌等。展开更多
文摘相较于传统药物的研发,药物-靶标的预测方法能够有效降低成本,加快研发进程,但是在实际应用中存在数据集平衡度低、预测精确率不高等问题。基于此,提出一种自适应球形演化的药物-靶标相互作用预测方法ASEKELM(self-Adaptive Spherical Evolution based on Kernel Extreme Learning Machine)。该方法根据结构相似的药物与靶标更易存在相互作用的原理筛选出高置信度的负样本;并且为了解决球形演化算法易陷入局部最优的问题,利用搜索因子历史记忆的反馈机制及群大小线性递减的策略(LPSR),实现全局搜索和局部搜索的平衡,提高算法的寻优能力;然后利用自适应球形演化算法对核极限学习机(KELM)的参数进行优化。在基于黄金标准的数据集上将ASEKELM与NetLapRLS(Network Laplacian Regularized Least Square)、BLM-NII(Bipartite Local Model with Neighbor-based Interaction profile Inferring)等算法进行对比,验证算法的性能。实验结果表明,在酶(E)、G-蛋白偶联受体(GPCR)、离子通道(IC)和核受体(NR)数据集中,ASE-KELM的ROC曲线下面积(AUC)与PR曲线下面积(AUPR)均优于对比算法;且基于DrugBank等数据库,ASE-KELM在预测新药物-靶标对的验证过程中表现良好。
文摘提出了一种基于双层双向长短时记忆网络(bi-directional long short term memory,BiLSTM)和自注意力(self-attention)机制的药物-药物相互作用(drug-drug interactions,DDIs)预测方法SA-BiLSTM。首先,利用FP3指纹、MACCS指纹、Pubchem指纹和PaDEL分子描述符对药物特征信息进行提取。其次,使用套索回归(least absolute shrinkage and selection operator,Lasso)方法消除对分类无关的特征,并利用重复编辑最近邻(repeated edited nearest neighbors,RENN)方法对数据进行平衡处理,得到最优特征向量。最后,将最优特征向量输入结合自注意力机制和双向长短时记忆网络的分类器预测DDIs。基于五折交叉验证,同时与其它预测方法进行比较,本工作所提出的方法在两个数据集上获得较高的预测准确率。为了综合评价SA-BiLSTM的性能,对药物-药物相互作用网络进行验证。实验结果表明,SA-BiLSTM表现出优秀的预测能力,可以为DDIs的预测提供一种新的思路。
文摘[目的]探讨黄连-升麻药对治疗复发性口腔溃疡(recurrent aphthous ulcer,RAU)的现代药理机制,分析可能存在的中医治法相关疗效因素,进一步指导中医临床辨治。[方法]使用中药系统药理学数据库与分析平台(Traditional Chinese Medicine Systems Pharmacology Database and Analysis Platform,TCMSP)检索药物成分及靶点,通过在线人类孟德尔遗传(Online Mendelian Inheritance in Man,OMIM)数据库、人类基因组注释数据库(Human Genome Annotation Database,GeneCards)等检索疾病相关靶点,取交集后采用STRING平台进行蛋白互作(protein-protein interaction,PPI)分析,以CytoScape 3.7.2软件绘制PPI网络图并筛选出核心靶点,上传至MetaScape数据库,进行基因本体(gene ontology,GO)富集分析与京都基因和基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)信号通路富集分析并构建网络图,利用AutoDock 4.2.6软件进行分子对接,并采用PyMOL软件将对接结果可视化。采用脊柱两侧注射完全弗氏佐剂的方法构建RAU大鼠模型;采用实时定量聚合酶链式反应(Real-time quantitative polymerase chain reaction,Real-time qPCR)检测各组大鼠口腔组织中核心靶基因的表达情况。[结果]筛选得到黄连、升麻活性成分共19个,靶点191个,药物与疾病交集靶点127个,药对干预RAU核心靶点23个,并依据连接度筛选出7个最关键的靶点,核心通路为白细胞介素-17(interleukin-17,IL-17)与肿瘤坏死因子(tumor necrosis factor,TNF)相关的信号通路。分子对接结果显示核心有效成分豆甾醇与各关键靶点均有较高的结合活性。动物实验发现,该药对可有效减少大鼠口腔溃疡数目。与空白对照组比较,模型组、低剂量组、中剂量组和高剂量组关键靶点表达明显更高(P<0.05);高剂量组靶点的mRNA相对表达和口腔溃疡数明显低于模型组、低剂量组、中剂量组(P<0.05)。[结论]黄连-升麻药对治疗RAU的分子机制,与其抗炎、保护口腔黏膜、调节免疫等作用有关,而相关的中医疗效机制涉及清热解毒、化瘀通络、托毒敛疮生肌等。
文摘了解微生物-疾病关联不仅可以揭示疾病的发病机理,而且可以促进疾病的诊断和预后。提出一种基于结构深度网络嵌入的方法(NEMDA)来识别潜在的微生物-疾病关联。首先,通过整合人类微生物-疾病关联数据库(human microbe-disease association database,HMDAD)和Disbiome数据库,扩大微生物和疾病的数量以及已知的微生物-疾病关联关系。接着,将结构深度网络嵌入用于提取微生物-疾病二分网络的特征,并且引入微生物功能相似性、微生物相互作用谱相似性和疾病语义相似性、基于症状的疾病相似性,分别作为微生物和疾病的生物学特征。然后,将这3个特征结合构成微生物-疾病对的特征,并使用深度神经网络模型进行预测。最后,通过五折交叉验证和案例分析来评估NEMDA的性能,在五折交叉验证下,NEMDA表现良好,预测性能高于KATZMDA、NCPHMDA、LRLSHMDA、PBHMDA、NTSHMDA和BRWMDA 6种比较方法。哮喘、炎症性肠病和结直肠癌的案例分析结果进一步表明,NEMDA预测性能良好,其是一个有效的预测微生物-疾病关联的工具。
