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。

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。

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。

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。

间充质干细胞外泌体调节哺乳动物雷帕霉素靶点/p70核糖体蛋白S6激酶/盘卷肌球蛋白样Bcl-2-相互作用蛋白通路改善糖尿病肾病大鼠肾损伤的机制研究

目的探讨间充质干细胞外泌体(MSC-EVs)通过调节哺乳动物雷帕霉素靶点(mTOR)/p70核糖体蛋白S6激酶(S6K1)/盘卷肌球蛋白样Bcl-2-相互作用蛋白(Beclin 1)通路改善糖尿病肾病(DN)大鼠肾损伤的机制。方法采用高脂饮食联合腹腔链脲佐菌素(STZ)注射的方法建立SD大鼠DN模型,随机分为模型组、MSC-EVs组、MSC-EVs+MHY1485(mTOR激活剂)组,每组12只。另取12只SD大鼠以正常饲料喂养6周后,腹腔注射同等剂量柠檬酸钠溶液作为对照。以MSC-EVs和MHY1485分组处理后,检测大鼠血糖及肾功能指标[血尿素氮(BUN)、血清肌酐(Scr)、尿微量白蛋白(UmALB)]水平。采用苏木精-伊红(HE)染色检测各组大鼠肾组织病理形态;采用免疫组化检测各组大鼠肾组织mTOR/S6K1/Beclin 1通路相关蛋白表达;采用蛋白免疫印迹法检测各组大鼠肾组织mTOR/S6K1/Beclin 1通路及自噬相关蛋白表达。结果与对照组相比,模型组大鼠肾组织形态发生损伤,血糖、BUN、Scr、UmALB、p-mTOR及p-S6K1相对阳性表达、p-mTOR/mTOR、p-S6K1/S6K1显著升高(P<0.05),微管相关蛋白1A/1B轻链3(LC3)Ⅱ/LC3Ⅰ、Beclin 1蛋白表达、Beclin 1相对阳性表达显著降低(P<0.05);与模型组相比,MSC-EVs组大鼠肾组织形态损伤减轻,血糖、BUN、Scr、UmALB、p-mTOR及p-S6K1相对阳性表达、p-mTOR/mTOR、p-S6K1/S6K1显著降低(P<0.05),LC3Ⅱ/LC3Ⅰ、Beclin 1蛋白表达、Beclin 1相对阳性表达显著升高(P<0.05);与MSC-EVs组相比,MSC-EVs+MHY1485组大鼠肾组织形态损伤加重,血糖、BUN、Scr、UmALB、p-mTOR及p-S6K1相对阳性表达、p-mTOR/mTOR、p-S6K1/S6K1显著升高(P<0.05),LC3Ⅱ/LC3Ⅰ、Beclin 1蛋白表达、Beclin 1相对阳性表达显著降低(P<0.05)。结论MSC-EVs可增强自噬,降低DN大鼠血糖、SCr、BUN和尿蛋白水平,减轻肾组织损伤,其机制可能与抑制mTOR/S6K1/Beclin 1通路激活有关。

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。

药物-靶标相互作用预测平台设计与实现

旧药新用是应对突发疾病的有效手段。利用计算技术筛选潜在的药物-靶标关联,有利于快速发现治疗疾病的候选药物。基于Matlab语言设计了一款药物-靶标预测平台,在标准数据集上运用网络一致性投影方法预测,分析了余弦相似性计算、高斯内核相似性计算及Logistic变换对预测结果的影响,实验结果证实了平台的有效性。

基于指纹相似度的药物-靶点相互作用预测

药物通过结合人体靶点发挥药效,识别药物-靶点相互作用对于药物新功能发现至关重要。该文提出基于分子子结构的靶点指纹特征和基于指纹相似度的药物-靶点特征计算方法,构建随机森林分类模型识别和预测药物-靶点相互作用,通过酶、离子通道、G蛋白偶联受体和核受体数据集测试并与现有方法对比分析,并将所提模型应用于中药成分-靶点相互作用预测,实验结果表明所提方法的有效性。

药物-靶点相互作用预测中的方法、数据及软件的发展现状

识别药物-靶点相互作用一直是新药发现进程中的重要步骤。由于体外实验的高成本性,基于计算机的药物-靶点相互作用预测方法将大大缩小化学空间的搜索范围,加快药物发现的进程。本文将介绍与药物-靶点预测密切相关的数据库软件和用于药物-靶点相互作用预测的主要方法,进而对药物-靶点相互作用预测问题进行总结和讨论。

基于图神经网络的药物-靶标相互作用预测研究

阐述基于图神经网络的药物-靶标相互作用预测问题的主要变体,并对各种变体的方法进行深入梳理与分析,对常用数据集进行整理与分析,最后对药物-靶标相互作用预测进行总结与展望。

基于混合特征预测药物-靶标相互作用的K近邻模型

针对核受体数据提取药物-靶标之间的混合特征,使用K近邻算法进行预测。对精确率、召回率、F1值等评价指标与其他算法进行了比较,验证模型的预测性能。

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。

基于异质信息网络元路径的药物-靶标相互作用预测模型

提出一种融合元路径信息的图神经网络模型,用于预测药物-靶标相互作用(GMDTI)。首先根据8个数据集中的药物、靶标、疾病和副作用数据以及它们之间的8种作用关系,构建药物-靶标异质信息网络(HIN);然后定义两条元路径来捕获药物-靶标HIN中的不同子结构信息和不同节点间隐藏的语义信息,并应用图神经网络的方法聚合节点的一阶邻居信息和元路径中节点间的语义信息;最后利用端到端的学习方法完成DTIs预测。该方法同时考虑药物-靶标HIN的结构特性和元路径语义信息,有助于学习到更多潜在的药物-靶标作用关系。实验结果表明,GMDTI的预测准确率高于所有基线模型,AUC达到98.6%,AUPR达到94.5%。同时通过调整数据的稀疏度和降噪实验,证明GMDTI具备优于所有基线模型的鲁棒性。

人工智能预测药物-靶标相互作用研究进展

药物-靶标相互作用(DTI)鉴定是药物研发中的关键步骤,可有效缩小候选药物分子的搜索范围。同时,DTI鉴定也是多重药理和药物重定位等研究的基础。然而,通过生物实验研究DTI耗时长、成本高且伴有一定的盲目性。随着信息科学的飞速进步,人工智能(AI)在药物研发领域得到广泛应用,成为研究DTI的有效策略。根据算法设计原理的不同,用于DTI预测的AI方法可分为基于相似性、基于特征、基于网络和基于深度学习4类。本文重点介绍该4类方法的构建思路,并讨论模型评价问题和负样本问题。AI在DTI预测工作中具有巨大的发展潜力,可为药物研发带来新的机遇。

确认药物靶点的蛋白质相互作用技术及方法

蛋白相互作用(protein-protein interactions,PPI)在细胞生长发育、新陈代谢及衰老凋亡中发挥重要作用,PPI异常可导致多种疾病的发生。发展新技术尤其是PPI技术,在分子水平上揭示特定蛋白的功能及其与化学小分子的作用,能准确找到化学小分子的作用靶点,有助于疾病的诊断和治疗。本文综述近年来PPI技术在药物靶点确认中的研究进展。

人工智能预测药物-靶标相互作用研究进展

药物研发过程耗时长、成本高且伴随一定的盲目性。通常新药从研发到上市需要10~15年。通过建立人工智能技术与虚拟-实体筛选平台结合的原创药物发现体系,将药物分子设计、天然产物化学、药物化学、结构生物学、药物筛选与药理研究能力整合起来,加快原创药物发现的进程。通过计算机模拟手段进行分子对接、药物筛选、先导物的优化、定量构效关系和药效团模型等药物设计方法,揭示药物与受体靶标的作用机制,探索药物靶点的空间结构,最终目标是设计具有能选择性地与某一靶标结合的分子;并探测小分子与受体大分子靶点的作用机制,判断药物小分子与受体大分子结合的可能活性位点,提出改善药物的药效学和动力学性质的方案,根据已有的药物研发数据自动设计出上百万种与特定靶标相关的小分子化合物,并根据药效、选择性、ADME等其他条件对化合物进行筛选。经过多轮筛选,最终确定可用于进行临床研究的候选药物。人工智能的使用大大加速药物研发的过程,并对新药的有效性和安全性进行预测。

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。