基于PSO-BP神经网络与PSO-SVM的抗乳腺癌药物性质预测

通过实验筛选研发新药的过程非常缓慢且需耗费大量的人力物力,而利用计算机辅助预测药物的分子性质可极大地节省药物研发时间和成本.因此,为了能够使抗乳腺癌候选药物对抑制ERα具有良好的生物活性和ADMET性质,针对收集到的1 974种化合物,首先利用随机森林分类器筛选出前20个对生物活性最具显著影响的分子描述符,并以此和pIC50值作为特征数据建立QSAR模型.其次,基于PSO优化BP神经网络对50个新化合物的生物活性值进行预测,模型拟合度为0.833 7,根均方误差为0.731 5,比优化前的BP神经网络预测值更贴合实际.随后为提高药物研发的成功率,依据已有的ADMET性质数据利用PSO优化SVM构建ADMET分类预测模型,算法交叉验证CV准确率达到94.076 7%,5个指标模型的预测准确率均在79%以上.结果表明,所建立的模型比基准模型的预测性能更好,采用的预测策略是有效的,可为抗乳腺癌药物的研发提供借鉴.

基于随机森林的逻辑回归预测抗乳腺癌药物的ADMET性质

药物的ADMET性质(即药代动力学性质和安全性)是影响药物研发成败的最主要因素。为提高抗乳腺癌候选药物的研发成功率并减少开发成本,针对抗乳腺癌药物ADMET性质预测,采用一种基于随机森林的逻辑回归模型。基于该模型对抗乳腺癌药物ADMET性质进行预测,并进行对比验证。结果表明,该方法对抗乳腺癌药物ADMET性质预测的准确率较高且性能良好,为优化抗乳腺癌药物ADMET性质的预测提供了新的方案。

国家谈判靶向抗乳腺癌药物纳入基本医疗保险政策患者惠及研究

目的:以2017年9月纳入福州市基本医疗保险(以下简称"医保")的国家谈判靶向抗乳腺癌药物为例,分析我国靶向抗乳腺癌药物纳入医保政策对不同患者群体的惠及情况,及乳腺癌相关诊疗费用患者经济负担的影响因素,为该政策更加公平地惠及广大患者提供证据。方法:对目标药物纳入医保前后,采用目标药物治疗的患者人口和社会学分布进行描述性统计分析;采用间断时间序列模型对首次采用目标药物治疗的月度患者人数进行纵向分析;利用多元线性回归模型,分析采用目标药物治疗一个标准疗程的人类表皮生长因子受体2(HER 2)阳性乳腺癌相关诊疗费用中患者实际自付比例的影响因素。结果:纳入医保后,各类患者采用目标药物治疗的人数都显著增加。纳入医保首月,首次采用目标药物治疗的患者人数显著增加了24例[95%CI(12,36),P<0.01];纳入医保后,首次采用目标药物治疗的患者人数持续显著增加(P=0.02)。在控制其他变量条件下,相比享受公务员补助的机关事业单位患者,城乡居民医保参保患者采用目标药物治疗一个标准疗程的HER 2阳性乳腺癌相关诊疗费用患者实际自付比例高106.2%[95%CI(88.6%,123.7%),P<0.001]。结论:国家谈判靶向抗乳腺癌药物纳入医保政策整体上显著提高了患者对创新抗癌药物的利用,该政策使广大患者普遍获益,减轻了其医药费用负担,但低收入患者的个人经济负担显著高于高收入患者,农村患者的药品费用负担整体仍然十分沉重。为贯彻中央深化我国医疗保障制度改革"促进公平、逐步缩小待遇差距"的原则,应进一步加强基本医保对城乡居民医保参保癌症患者的保障,并夯实对经济困难患者超过个人支付能力的恶性肿瘤相关医药费用的兜底性保障。

两基因变异致蒽环类抗乳腺癌药物失效

美国科学家在近期出版的《自然·医学》杂志上宣称，他们发现在两种基因中出现的变异会让常用的抗乳腺癌药物——蒽环类抗癌药（Anthracycline）失效，这一突破性发现或可每年挽救数百人的生命。

抗乳腺癌药物对胃癌有效(曲妥珠单抗)

一项包括600名患者的三期临床试验的结果表明，与单独化疗相比，曲妥珠单抗联合化疗能够使人表皮生长因子受体2阳性（HER2）的晚期胃癌或食管胃连接部癌症患者的死亡率降低26％。

基于Stacking融合模型的抗乳腺癌药物活性值预测

通过实验研发和筛选药物耗时费力,为了能快速有效筛选候选药物,利用随机森林算法(Random Forests,RF)、极限梯度提升算法(eXtreme Gradient Boosting,XGBoost)等筛选出20个最具显著影响的分子描述符,再构建Stacking融合模型,利用贝叶斯优化调参,预测化合物的生物活性值,模型拟合度为0.793 7,均方根误差为0.681 2。结果表明,该模型与单一机器学习算法相比,具有更好的预测性能,对抗乳腺癌药物的研发具有重要的指导意义。

用抗乳腺癌药物治疗子宫内膜异位

针对普遍存在的对性与生殖卫生的无知,英国政府颁布了一项基本政策。

基于机器学习的抗乳腺癌候选药物的分类预测

乳腺癌是目前世界上最常见致死率较高的癌症之一.通过选用机器学习中处理二分类预测问题的支持向量机(SVM)、K近邻算法(KNN)、随机森林(RF)、极端梯度提升(XGBoost)四种模型,运用每一种模型分别对给定的样本数据构建出化合物的ADMET(吸收Absorption,分配Distribution,代谢Metabolism,排泄Excretion和毒性Toxicity)五个指标的分类预测模型,对比选择出五个指标的预测准确率均在84%以上的XGBoost模型,最后对给定的化合物进行预测并得出化合物所对应的ADMET性质.结果表明,利用XGBoost模型进行分类预测的方法是有效的,对于抗乳腺癌药物的研发具有参考意义.

基于随机森林的抗乳腺癌候选药物的优化

充分利用药物大数据平台和临床资源,运用数据分析方法预测抗乳腺癌候选药物的ADMET性质和抗乳腺癌活性,为实验室研制抗乳腺癌新药过程提供参考方向。针对1974种化合物的分子描述符变量数据,分别构建以ADMET性质和pIC 50值为因变量的随机森林预测模型,模型的预测精度分别为88.7%和91.3%。基于随机森林模型求得的重要影响因子贡献率确定出4个变化显著的共同重要影响因子的取值范围,分别为MLFER_BH(0.56,2.65)、MLFER_S(1.30,4.41)、WTPT-5(0.00,10.01)和SdssC(-1.92,2.76),对实现抗乳腺癌药物的优化具有指导意义。

抗乳腺癌药物福美司坦的研究进展

目的:介绍抗乳腺癌药物福美司坦的研究进展。方法:查阅近年来国内外相关文献,对福美司坦的作用机制、药效学研究、药动学研究、临床研究以及与同类药物的比较进行归纳和总结。结果与结论:福美司坦能有效地与芳香化酶结合,阻断内源性雄激素与酶的结合,导致雄激素无法转化为雌激素,从而降低血浆内雌激素水平,达到抑制乳腺癌细胞的效果。福美司坦还可用于早期子宫内膜癌的治疗,对念珠菌有抑制作用,通过与曲妥珠单抗联用治疗乳腺癌,与宽缨酮的联合抑制芳香化酶作用,增强特异性抗体对肿瘤细胞的抑制作用,降低单一用药的不良反应。

乳腺癌抗雌激素药物耐药蛋白在非小细胞肺癌中的表达及临床意义

目的探讨乳腺癌抗雌激素药物耐药蛋白(breast cancer anti-estrogen resistance 1,BCAR1)在非小细胞肺癌(non-small cell lung cancer,NSCLC)中的表达以及临床意义。方法采用组织芯片(tissue microarray,TMA)和免疫组化法(immunohistochemistry,IHC)检测2006年2月至2007年2月本中心70例NSCLC和癌旁正常肺组织,以及28例肺良性肿瘤(错构瘤12例,炎性假瘤8例,纤维瘤8例)中BCAR1的表达情况。结果 NSCLC中BCAR1蛋白阳性率为98.6%(69/70),癌旁正常肺组织中仅有3例弱阳性,阳性率为4.2%(3/70),肺良性肿瘤中无阳性表达,NSCLC与两者比较差异有显著性(χ2=143.93,P=0.000)。BCAR1表达在不同年龄、性别、淋巴结转移、TNM分期和病理类型表达差异无统计学意义(P>0.05),而与肿瘤分化程度呈负相关(χ2=13.639,P=0.001)。用Kaplan-Meier生存曲线经Log-rank检验发现,BCAR1高表达组预后比低表达组生存时间短(P=0.014)。结论在NSCLC中BCAR1蛋白表达显著高于正常组织和肺良性肿瘤,并与NSCLC的分化程度和预后呈负相关。BCAR1蛋白可以作为NSCLC诊断和判断预后一个重要的新指标。

药物大数据平台在抗乳腺癌药物药代动力学/药效学研究中的应用

本文旨在建立药物大数据平台,将常用大数据库联系起来,并结合实例来展示平台对药代动力学/药效学数据、小分子/生物治疗分子、药物、靶点、药物不良反应等5个模块的应用,为抗乳腺癌药物的药代动力学/药效学研究提供原始临床试验数据,并为其他相关研究提供数据。

抗乳腺癌候选药物的生物活性预测模型的构建

乳腺癌是目前发病率较高的疾病之一,选择能够拮抗ERα活性的化合物对治疗乳腺癌具有重要的意义。本文综合考虑ERα拮抗剂的生物活性即pIC50值(与生物活性具有正相关性),筛选治疗乳腺癌的候选药物。为了构建能够使化合物对抑制ERα具有更好的生物活性的预测模型,本文通过随机森林算法和距离相关系数算法,寻求主要变量进行降维处理;通过建立基于BP神经网络的pIC50预测模型并进行训练与验证,为寻找处理后变量的全局最优解,采用粒子群优化算法,以pIC50的最大值作为目标函数,设定参数运行求得优化结果。研究结果表明,pIC50的最大值与其对应的分子描述符都在合理的区间范围内,说明此次建立的模型具有一定的稳定性与合理性。

抗乳腺癌导向药物-人源化抗p185单链抗体/hIL-2双功能融合蛋白的制备

肿瘤特异性载体结合细胞毒物质构成的导向制剂曾被称为生物"魔弹".抗体作为载体的主体一直是人们研究的重点,虽然仍面临诸多困难,如抗抗体反应及抗体大分子难以穿越微血管壁等,但随着技术进步正逐步得到解决.近年来,用于乳腺癌治疗的Herceptin及用于白血病及胃肠道肿瘤的Gleevec等导向制剂,相继获得FDA批准,已在国内外上市,它们的临床疗效获得了人们的极大重视,显示了良好的应用前景.本文报道一新抗乳腺癌导向药物,即人源化抗原癌基因HER-2/neu(c-erbB2)产物p185单链抗体/人白细胞介素2(hIL-2)双功能融合蛋白的研究工作.

世界抗乳腺癌药物研究开发最新进展

1乳腺癌乳腺癌（mammary carcinoma）是人类最常见的一种恶性肿瘤，也是女性主要恶性肿瘤之一。各国因地理环境、生活习惯的不同。乳腺癌的发病率有很大差异。北美和北欧大多数国家是女性乳腺癌的高发区，南美和南欧一些国家为中等，而亚洲、拉丁美洲和非洲的大部分地区为低发区。在北美、两欧等发达国家，女性乳腺癌的发病率居女性恶性肿瘤发病率的首位。据美国癌症协会估计，

基于图神经网络和XGBoost的抗乳腺癌候选药物预测模型研究

药物研发过程中,通过筛选影响显著的化合物继而合成抗癌药物无疑能够保证抗癌药物研发的高效性和针对性。本文针对收集到的与乳腺癌相关的ER𝛂活性的1974种化合物,首先利用基于遗传算法的随机森林模型筛选出前20个对生物活性最具有显著影响的分子描述符,其次以此选择分子描述符变量构建定量预测模型得到预测结果,随后构建化合物的分类预测模型。结果表明该模型预测具有很强的实践意义,采用的预测策略是有效的,可为抗乳腺癌药物的研发提供借鉴。

基于遗传算法神经网络的抗乳腺癌候选药物优化建模

乳腺癌已经成为危害全球女性健康的主要癌症之一。拮抗ERα活性的化合物可能是治疗乳腺癌的候选药物,本文通过对1974个与ERα的生物活性有关的化合物进行研究,对分子描述符进行斯皮尔曼等级相关性分析,为了降低变量之间相关性对结果的影响,还需进行系统聚类分析,提取其中20个对ERα的生物活性影响最大的分子描述符。采用遗传算法优化的BP神经网络建立出ERα生物活性定量预测模型,再利用支持向量机SVM算法构建化合物ADMET性质分类预测模型,最后利用多目标优化思想结合遗传算法寻优,得出了使抗乳腺癌药物具有最优效果的分子描述符及其取值。

抗乳腺癌药物他莫昔芬在精神病治疗领域的突破

他莫昔芬是防治乳腺癌复发的一种常用药物。Science发表的一项研究报道指出，他莫昔芬对双相情感障碍同样有效，引起了广大精神病学家的广泛注意。同时，该研究也为拓展他莫昔芬在临床上的应用提供了重要的试验依据。

基于GA-BP神经网络模型的抗乳腺癌候选药物活性预测

抗乳腺癌候选药物筛选对治疗乳腺癌意义重大.乳腺癌的抗激素治疗常用于ERα表达的乳腺癌患者,抗ERα活性值越高代表该药物对治疗乳腺癌越有效.因此,精准预测化合物的抗ERα活性值至关重要.本文首先对化合物的729个分子描述符特征使用梯度提升模型XGBoost和距离相关系数矩阵进行筛选,然后基于筛选的20个分子描述符及其活性值数据,引入遗传算法,建立GA-BP神经网络模型.该模型的均方误差MSE=0.105,拟合优度R2=0.946,是一个基于数据挖掘技术的筛选潜在药物的高精度模型.