药物-靶点亲和力预测的全局特征提取策略

为有效解决药物靶点亲和力预测中单模型提取特征种类受限问题,结合深度学习混合模型,提出一种深度并行全局特征提取策略。利用卷积神经网络(CNN)和特征存储融合层构建局部特征提取器,实现药物靶点序列局部特征的多层次提取、存储与压缩;利用卷积神经网络(CNN)和双向长短时记忆(BiLSTM)神经网络的串行混合模型构建上下文特征提取器,提取局部特征之间的上下文联系;将两种互补特征进行融合。该特征提取策略解决了单模型提取特征种类受限问题,缓解了数据集差异对特征提取效率的影响。实验结果表明,该特征提取策略有助于提升预测模型的预测性能。

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。

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。

泛素-蛋白酶体系统在寄生原虫生长发育中的调控作用及潜在药物靶点分析

蛋白质降解是细胞维持正常生命活动的重要途径之一,其中泛素-蛋白酶体系统发挥关键作用。泛素-蛋白酶体系统参与调控细胞分化、细胞凋亡、DNA复制、蛋白质质量控制等生命活动。研究表明,对该系统中的功能蛋白进行干预,可直接影响寄生原虫的生长发育。本文主要探讨近年关于泛素-蛋白酶体系统在寄生原虫生长分化过程中发挥的关键作用,揭示其作用靶点,为开发新型抗原虫药物提供思路。

基于人工智能SGRN-Trans框架预测温胆汤中成分-靶点相互作用的研究

目的:以温胆汤为例,构建基于知识图谱和注意力机制的深度学习模型(SGRN-Trans)预测中医经典名方中药效成分与靶点的相互作用,评价其预测效果。方法:首次提出SGRN-Trans(Self-weighted Graph Relational Network-Transformer)预测模型,结合多生物数据源构建中医经典名方温胆汤知识图谱(Wendan Decoction Knowledge Graph,WDKG),利用图神经网络学习知识图谱中每个实体的低维嵌入表示,引入中药成分和靶点各自的结构特征,搭载基于注意力机制的Transformer模型进行药效成分-靶点相互作用的预测,结合分子对接及文献调研进行验证。结果:WDKG包含10个类型共14292个实体,可用于深度学习模型的研究。SGRN-Trans预测模型与TransE、TransR、ComplEx、DistMult、ConvKB等其他知识图谱嵌入模型的性能相比,效果最优。将预测排序前20组的药效成分与靶点分别进行分子对接和可视化呈现,其中8组的结合能提示其药效成分与靶点有潜在的相互作用。以温胆汤中半夏的有效成分soya-cerebroside(大豆脑苷脂)与低密度脂蛋白受体(low density lipoprotein receptor,LDLR)相互作用为例,结合研究文献进行讨论,可能是温胆汤治疗动脉粥样硬化的机制之一。结论:本研究提出基于知识图谱和注意力机制的模型SGRN-Trans,可推广用于预测中医药经典名方复杂网络体系中成分与靶点的相互作用,为阐明经典名方的药效物质基础和作用机制提供新的工具。

基于残差结构的图卷积网络的药物靶点亲和力预测

准确的药物靶点亲和力预测(DTA)能够缩短药物研发周期,节省人力和物力,加速药物研发过程。图神经网络(GNN)在药物靶点亲和力预测中得到了广泛应用,但现有的方法大多基于浅层GNN。该文提出了一种基于残差结构的图卷积网络,残差结构的加入能够加深网络结构,借此构建一个具有24个图卷积层的深度图卷积网络,以此捕获药物分子的特征,学习有效的嵌入表达,并在两个基准药物靶点亲和力数据集上与几种先进的基于机器学习或深度学习的模型进行比较。结果表明,该文所提模型相较于其他基准模型有着更好的预测性能,验证了该文所提方法的有效性。

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。

预测药物-靶点相互作用的异构网络嵌入模型研究

药物-靶点相互作用(DTIs)预测是药物发现的重要过程。随着计算技术的发展,基于生物数据的计算方法正高效率地加速这一过程。然而,这些方法大多忽略了靶标和药物的序列特征和异构性。本研究通过机器学习方法,提出多重网络嵌入框架(MLB-NEDTP)的预测模型,首先分析序列特征,然后将融合的特征嵌入多层异质信息网络中,以提高预测性能。多个数据集训练和验证结果表明,该模型与ATOMNET等最新模型相比具有明显优势。

基于深度学习的“药物-靶点”亲和力预测方法设计

目的:构建一种基于深度神经网络的“药物-靶点”亲和力预测方法。方法:先对拟定药物进行独热编码,并使用预训练语言表征模型对靶蛋白进行编码,以捕获氨基酸序列中的重要信息,然后设计2个独立的卷积神经网络,通过4个全连接层来预测“药物-靶点”的亲和力。最后在Davis激酶结合亲和力数据集和KIBA大规模激酶抑制剂生物活性数据集上验证本方法的性能,并将实验结果与KronRLS、SimBoost、DeepDTA算法结果进行比较。结果:相较于KronRLS、SimBoost、DeepDTA算法,本方法在Davis激酶结合亲和力数据集和KIBA大规模激酶抑制剂生物活性数据集上均获得了最高的一致性指数和最低的均方误差值。结论:采用双向语言模型对靶蛋白进行编码后再进行深度学习,可以提高“药物-靶点”亲和力预测的准确度。

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。

多视角多注意力融合分子特征的药物-靶标亲和力预测

近期深度学习在药物-靶标亲和力(DTA)任务上受到极大关注,然而现有工作多将分子单一结构嵌入为向量,忽略了多视角融合分子特征对最终特征表示提供的信息增益。针对单一结构分子存在特征不完备性的问题,提出了一种基于注意力融合多视角分子特征的预测DTA的端到端深度学习方法,其核心模块为多视角分子结构嵌入(Mas)和多注意力特征融合(Mat)。首先,使用Mas模块将多视角分子结构嵌入到特征向量空间;然后,通过Mat模块融入分子特征层级的注意力机制,从而对不同视角的分子特征进行加权融合;其次,根据药物-靶标相互作用(DTI)执行两者特征级联;最后,利用全连接神经网络回归预测亲和力。在Davis和KIBA数据集上的实验验证了训练比率、多视角特征融入、多注意力融合、以及相关参数对亲和力预测性能的影响。与GraphDTA方法相比,所提方法的均方误差(MSE)在Davis和KIBA两个数据集上分别降低了4.8%和6%。实验结果表明,注意力融合多视角分子特征能够捕获对蛋白质靶位上链接的相关性更高的分子特征。

一种面向药物-靶点相互作用预测的不平衡数据处理方法

为了解决药物-靶点相互作用(DTI)预测中数据集样本分布不平衡的问题,提出了一种新的数据处理方法。通过词向量特征提取,将原始蛋白质序列信息和药物化学结构信息转换为低维向量特征,组合药物特征和靶点特征来表征药物-靶点相互作用;采用Borderline-SMOTE技术合成少数类样本,以改善数据集的样本分布;最后将处理好的数据输入到梯度提升决策树(GBDT)分类器中进行分类预测。实验结果表明,本文方法不仅能有效提取药物-靶点相互作用的特征,加快特征提取和特征选择的过程,还能缓解数据集的不平衡性对预测结果的不利影响,提高了预测模型的性能。

微管蛋白亲和力调节激酶4作为药物靶点的研究进展

微管蛋白亲和力调节激酶4(microtubule affinity-regulating kinase,MARK4)是丝氨酸/苏氨酸激酶家族重要成员之一,主要功能是磷酸化微管结合蛋白(microtubule associated protein,MAP),进而导致MAP从微管中分离,从而改变细胞形状,促进细胞分裂,调控细胞周期等。研究表明,MARK4与微管束形成、神经系统发育和程序性细胞死亡等密切相关,并且参与多种疾病的发生,比如阿尔茨海默病(Alzheimer’s disease,AD)、代谢紊乱、癌症以及心衰心梗等疾病,因此MARK4被认为是极具潜力的药物靶点。本文综述了MARK4的三维结构、生物学功能以及MARK4介导的相关疾病,并且总结了MARK4抑制剂的研究进展。

基于融合核方程对药物-靶点作用预测研究

利用计算方法预测药物-靶点作用能够有效降低药物研发成本。本文提出一种基于支持向量机的新算法预测药物-靶点信息。该方法通过整合药物-靶点作用信息、药物分子物化特性、蛋白质序列信息,对药物-靶点作用对进行特征提取,并设计新的融合核方程,将药物分子、蛋白质分子信息映射到同一个空间,利用支持向量机对药物-靶点作用进行预测分类。10-CV交叉验证下,本文方法预测总精度为93.25%,与Van-Laarhoven高斯作用核方法相比提高了6.65%。实验结果表明,本文方法可以有效预测药物-靶点之间潜在作用。

以α-synuclein为靶点的抗帕金森病药物研究进展

帕金森病(Parkinsons disease,PD)是常见的神经退行性疾病,目前对PD的药物治疗仅限于改善症状,尚缺乏能够延缓疾病进程并具有神经保护作用的药物。α-突触核蛋白(α-synuclein,α-syn)是一种位于神经元突触前末端、由140个氨基酸组成的蛋白质,它的突变、聚集和过度积累与包括PD在内的一系列神经退行性疾病密切相关。开发针对α-syn及其相关靶点的药物,可能是控制PD等突触核蛋白病进程的有效途径。该文主要从抑制α-syn表达和聚集、促进其解聚和降解、调节其修饰状态等方面,对以α-syn为靶点的药物研究进展进行综述。

mPGES-1——一个新的药物开发靶点

综述膜结合型前列腺素E2合酶-1(mPGES-1)的生物学性质、生理和病理作用,以及将其作为一个新的药物作用靶点用于药物开发的可能性。mPGES-1是3种前列腺素E2合酶之一,属于诱导型表达的酶,能被致炎因子诱导而大量表达,在多种疾病,如关节炎、炎症相关性发热和疼痛、动脉粥样硬化及癌症的病理生理过程中均发挥着重要作用。

相似性算法在药物-靶点预测研究中的应用

药物从研发到临床应用是漫长而昂贵的过程,通过相似性算法和机器学习算法准确预测药物-靶点相互作用(drug-target interactions, DTI)辅助药物研发可以提升效率、降低成本。本文对相似性算法在DTI预测研究中的应用进行全面分析,旨在为进一步运用相似性算法对DTI预测研究有所借鉴。利用中国知网、PubMed、万方数据和维普网等作为主要文献检索平台,整理近10年基于相似性的DTI预测研究文献并建立研究对象文献数据库,在DTI预测问题中对数据来源、药物和靶点的相似性构建算法、DTI预测算法模型进行归纳总结。整理得到55篇质量较高相关文献,显示药物相似性主要由化学结构、不良反应、解剖-治疗-化学代码(anatomical therapeutic chemical, ATC)和DTI关系的数据来构建;靶点相似性主要由蛋白质序列和基因本体(gene ontology, GO)注释的数据来构建。不同的数据可用不同的相似性算法度量其相似,整合多源相似性数据可以进一步提高模型的质量。DTI预测算法模型主要有基于分类、基于网络和基于矩阵分解的预测模型,不同的预测模型各有其优缺点。利用算法辅助DTI预测研究具有极大发展潜力,它缩小了候选药物及靶点分子的范围,但仍有部分亟待解决的难题,未来可以从优化数据和改进算法模型两方面对该问题进一步研究。

肿瘤转移相关分子PRL-3:结构、功能及其作为抗肿瘤治疗药物靶点的可能性

肝再生磷酸酶-3(PRL-3)是肝再生磷酸酶家族中的一员,因在肿瘤转移过程中的突出作用而备受关注。本文从PRL-3与肿瘤发生发展的关系出发,结合作者的科研工作实践,对PRL-3在肿瘤转移中的作用及其机制的研究现状进行综述,并对其作为肿瘤治疗和药物作用靶点的可能性进行展望。

新的抗癌药物作用靶点甲硫氨酰氨肽酶-2

夫马洁林是目前已知的最有潜力的天然血管生成抑制剂之一。该类药物通过共价抑制甲硫氨酰氨肽酶 2的活性 ,而特异性地抑制血管内皮细胞的生长和增殖。根据甲硫氨酰氨肽酶 2的结构以及催化和抑制机制 ,可以设计和合成新型的血管生成抑制剂 ;通过最新发展的活性检测方法 ,可以建立高通量药物筛选模型 ,以期找到新一代高选择性、高亲和性、高生物利用度的甲硫氨酰氨肽酶 2的小分子抑制剂 ,用于抗癌新药的开发。