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。

碱性磷酸酶与高血压的相关性研究

目的拟探讨高血压与碱性磷酸酶(ALP)之间的相关性,以期为高血压的防治进一步提供依据。方法本研究采用病例对照研究,收集在南京市月牙湖社区卫生服务中心体检的468例人群的临床资料,并进行体格检查,测量血压、身高、体质量。其中高血压组239例,对照组229例,分析比较2组间ALP的水平差异。结果 (1)高血压组患者ALP水平明显高于对照组,差异有统计学意义(P<0.05)。调整年龄、性别、体质量指数(BMI)、总胆固醇(TC)、三酰甘油(TG)、尿酸(UA)、低密度脂蛋白胆固醇(LDL-C)、高密度脂蛋白胆固醇(HDLC)、肌酐(CR)、吸烟、饮酒、血糖等因素后,ALP是高血压的影响因素。(2)将研究对象按ALP<75%分位数以及≥75%分位数分为2组,比较2组临床指标间的差异,结果显示2组性别、收缩压、HDL-C、CR差异有统计学意义,进一步进行Logistic回归分析显示,高血压、CR以及HDL-C为ALP升高的危险因素。结论血清ALP水平与高血压密切相关,可能为高血压的防治提供另一个治疗靶点。