药物靶点预测中类别不平衡问题的研究进展

针对药物靶点预测中类别不平衡的问题,归纳总结相关学者提出的各种处理方法,力求改善药物靶点预测中类别不平衡状况,为药物靶点预测的相关研究提供有利的参考和借鉴。以中国知网、维普、万方数据和PubMed作为主要文献检索平台,查询整理相关文献,对药物靶点预测中类别不平衡问题的研究进行综述。共检索到相关有效文献81篇,结果显示类别不平衡问题主要从数据层面、学习算法层面和构造负样本层面着手处理。其中,数据层面的方法主要通过减少或增加一定的数据来平衡数据集;学习算法层面的方法主要利用半监督学习和集成学习思想来使分类算法适用于不平衡数据或构造出平衡数据集;构造负样本层面的方法则是采用一些策略从大量未标记样本中筛选出高可靠的负样本。药物靶点预测中类别不平衡问题的处理方法较多,不同的方法均有特色,但各方法之间无明显差异,都可一定程度上提高药物靶点预测水平,从而为药物靶点预测相关研究提供有力的技术支持。

基于结构特征的药物靶点亲和力预测

预测药物与其靶向蛋白的结合亲和力是研发新药的关键步骤。传统的湿实验耗时长,成本高。随着人工智能技术的快速发展,在药物筛选阶段应用深度学习的技术可以大幅度提升研发效率。针对上述问题,提出一种基于卷积神经网络预测药物靶点亲和力的方法。将蛋白质和小分子的结构特征分别转换成对应的三维矩阵,送入对应的三维卷积神经网络中进行训练,然后再通过若干层全连接神经网络提取特征值,得到最终的亲和力值。实验结果表明,该模型可有效地预测药物靶点亲和力,具有良好的应用前景。

药物-靶点相互作用预测的计算方法综述

药物-靶点相互作用预测旨在发现可作用于特定蛋白质的潜在药物,在药物重定位、药物副作用预测、多重药理学和耐药性的研究中都发挥着重要作用。随着计算机处理能力的进步和计算算法的不断更新,药物-靶点相互作用预测的计算方法展现出时间短、成本低、精度高、范围广的优势,受到了广泛的关注,并取得了显著的进展。为了梳理其研究发展历程,探讨未来的研究方向,就药物-靶点相互作用预测的背景和意义进行简要概述;将方法分为基于分子对接、基于药物结构、基于文本挖掘和基于化学基因组四类进行综述,并对每类方法进行对比分析,详细阐述每类方法的数据需求及应用场景;对现有研究存在的局限性和面临的挑战进行讨论,展望未来的研究方向,为后续研究提供参考和借鉴。

深度学习在药物靶点亲和力预测中的应用

在药物研发前期阶段中,预测小分子药物和蛋白质靶点结合亲和力的计算机方法已经证明其关键作用,这类方法被称为药物靶点亲和力(Drug-Target Affinity,DTA)预测。其中基于深度学习的DTA预测方法表现出其预测模型优异的性能与巨大的潜力。这篇综述全面回顾了与基于深度学习的DTA预测相关的主题,如来源数据库、数据挖掘与特征学习方法、深度学习模型等,以及一些利用这些资源开发的代表性的预测方法。本综述首先从数据格式和编码方案的角度讨论了来自各种库的化合物和蛋白质数据。对于DTA预测模型,我们从两种角度进行分类,即预测任务类型的角度和模型采用的学习方法的角度,并且总结了每个类型代表性的DTA预测模型。最后,我们讨论了一些尚存的问题,以探索开发更强大和准确的DTA预测方法。

基于SVM的药物靶点预测方法及其应用

目的:基于已知药物靶点和潜在药物靶点蛋白的一级结构相似性,结合SVM技术研究新的有效的药物靶点预测方法。方法:构造训练样本集,提取蛋白质序列的一级结构特征,进行数据预处理,选择最优核函数,优化参数并进行特征选择,训练最优预测模型,检验模型的预测效果。以G蛋白偶联受体家族的蛋白质为预测集,应用建立的最优分类模型对其进行潜在药物靶点挖掘。结果:基于SVM所建立的最优分类模型预测的平均准确率为81.03%。应用最优分类器对构造的G蛋白预测集进行预测,结果发现预测排位在前20的蛋白质中有多个与疾病相关。特别的,其中有两个G蛋白在治疗靶点数据库(TTD)中显示已作为临床试验的药物靶点。结论:基于SVM和蛋白质序列特征的药物靶点预测方法是有效的,应用该方法预测出的潜在药物靶点能够为发现新的药靶提供参考。

计算生物学在药学研究中的应用

计算生物学(computational biology)属于生物学的一个分支,是指开发和应用数据分析及理论的方法、数学建模和计算机仿真技术等,用于生物学、行为学和社会群体系统的研究的一门学科。近年来,计算生物学越来越受到重视,这主要是因为高通量技术大大提高了数据的生成能力。海量计算数据的生成带动了设备计算能力的不断增长,数据的复杂性和异质性也需要更加系统的分析方法,它们共同推动着计算生物学的发展。随着大数据时代的发展,生物学研究和实验的数据呈指数型增长,单一的观察和实验已经无法支撑高复杂性的数据,计算生物学成为药物研究的一个重要且有力的工具。目前,计算生物学已经应用于肽合成与小分子设计、虚拟筛选、蛋白质结构与蛋白质相互作用预测、数据库构建、生物活性物质预测和药物释放监测等多个领域,从而为药物靶点预测、药物设计、药物筛选及药物的临床应用等多个药物研究的过程提供帮助。计算生物学如今已成为相较于传统药物研究工具更加省时省力的“臂膀”,同时药物研发的需求也不断推动着计算生物学的发展。二者相辅相成,共同发展,计算生物学已成为药物研究不可分割的一部分。