药物靶标作用关系预测是一种重要的辅助药物研发手段,而生物实验验证药物靶标作用关系耗钱耗时,因此,在数据库中查询验证预测的药物靶标作用关系是对预测方法的重要评价.基于KEGG,DrugBank,ChEMBL这3个数据库,利用爬虫获取信息的方式设...药物靶标作用关系预测是一种重要的辅助药物研发手段,而生物实验验证药物靶标作用关系耗钱耗时,因此,在数据库中查询验证预测的药物靶标作用关系是对预测方法的重要评价.基于KEGG,DrugBank,ChEMBL这3个数据库,利用爬虫获取信息的方式设计开发了药物靶标作用关系查询验证方法DTcheck(drug-target check),实现了对于提供KEGG DRUG ID及KEGG GENES ID的药物靶标对的高效查询验证功能,并利用DTcheck分别为Enzyme,IC(ion channel),GPCR(G-protein-coupled receptor),NR(nuclear receptor)四个标准数据集扩充新增药物靶标作用关系907,766,458,40对.此外,结合DTcheck查询验证,以BLM(bipartite local models)方法为例分析了预测结果的评价问题,结果表明,采用AUC(area under curve)值评价药物靶标作用关系预测方法没有Top N 评价合理,且AUC值低的BLMd方法在预测新的药物靶标作用关系时优于AUC值高的BLMmax方法.展开更多
文摘药物靶标作用关系预测是一种重要的辅助药物研发手段,而生物实验验证药物靶标作用关系耗钱耗时,因此,在数据库中查询验证预测的药物靶标作用关系是对预测方法的重要评价.基于KEGG,DrugBank,ChEMBL这3个数据库,利用爬虫获取信息的方式设计开发了药物靶标作用关系查询验证方法DTcheck(drug-target check),实现了对于提供KEGG DRUG ID及KEGG GENES ID的药物靶标对的高效查询验证功能,并利用DTcheck分别为Enzyme,IC(ion channel),GPCR(G-protein-coupled receptor),NR(nuclear receptor)四个标准数据集扩充新增药物靶标作用关系907,766,458,40对.此外,结合DTcheck查询验证,以BLM(bipartite local models)方法为例分析了预测结果的评价问题,结果表明,采用AUC(area under curve)值评价药物靶标作用关系预测方法没有Top N 评价合理,且AUC值低的BLMd方法在预测新的药物靶标作用关系时优于AUC值高的BLMmax方法.
文摘目的通过生物信息学方法分析结肠癌(colorectal cancer,CRC)相关的基因,构建其蛋白质相互作用网络,并预测结肠癌的microRNA、转录因子和相关药物。方法首先通过倍数关系值分析255个结肠癌相关的微阵列芯片样本中的表达基因,然后使用蛋白质网络数据库String构建其蛋白质相互作用网络,最后应用MSig DB 3.0分析法并结合Web Gestalt在线软件,对3组数据中的表达基因进行microRNA、转录因子和药物预测。结果本研究识别了4763个与结肠癌有关的基因,并采用表达最显著的前200个基因构建了蛋白质相互作用网络。此外,本文又采用前200个基因,通过生物信息学方法预测得到了与结肠癌有关的22条microRNA、58个转录因子和9种药物。结论本研究识别了结肠癌的表达基因,构建了其蛋白质相互作用网络,并预测了其microRNA、转录因子和结肠癌有关药物,为结肠癌的诊断和治疗提供了潜在的生物标记。
