生物信息学|通过整合药物表型、治疗、化学结构和基因组特征，使用机器学习预测药物-药物相互作用

最新推荐文章于 2025-07-08 10:01:57 发布
原创 最新推荐文章于 2025-07-08 10:01:57 发布 · 3k 阅读 · 27 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文提出了一种异构网络辅助推理框架(HNAI)，利用药物表型、治疗、化学及基因组相似性预测药物-药物相互作用(DDIs)。通过五折交叉验证，支持向量机模型的AUC达到0.67，展示了该框架在识别DDIs方面的潜力。

0. 摘要

    目的：药物-药物相互作用(drug - drug interaction, dis)是药物开发和临床应用的重要考虑因素，尤其是联合用药。虽然在临床试验期间有必要确定所有可能的DDIs，但DDIs经常是在药物被批准临床使用后报告的，它们是引起药物不良反应(ADR)和增加医疗保健成本的常见原因。计算方法可以在临床试验中帮助识别潜在的DDIs。

    方法：提出一种异构网络辅助推理(HNAI)框架来辅助预测DDIs。首先，我们基于DrugBank数据构建了一个完整的DDI网络，该网络包含721个获批药物的6946对DDI。接下来,我们分别计算药物四个特征之间的相似性：药物表型、治疗效果、化学和基因组特性。最后，我们在HNAI框架中应用了五种模型来预测DDI:朴素贝叶斯、决策树、k近邻、logistic回归和支持向量机。

    结果：通过五折交叉验证，HNAI模型的ROC曲线下面积为0.67。以抗精神病药物为例，一些预测的DDIs得到了文献的支持。

    结论：基于机器学习的药物表型、治疗、结构和基因组相似性的整合，我们证明了HNAI在药物开发和上市后监测中发现DDIs是有希望的。

1. 介绍

    药物-药物相互作用(DDIs)发生在联合用药过程中。它们是药物不良反应(ADRs)的常见原因，并导致医疗保健成本增加。许多DDIs在临床试验阶段没有被发现，在药物被批准临床使用后才被报道。此类DDIs往往导致患者的发病率和死亡率，占所有住院患者用药错误的3-5%。临床DDIs也会导致严重的社会和经济问题。因此，在药物被批准或使用之前，迫切需要检测或确定DDIs。

    目前，DDI预测侧重于检测代谢谱，例如细胞色素P450 (CYP450) 或转运体相关的药代动力学相互作用。然而，利用实验方法识别DDI的能力有限是药物开发过程中的主要障碍。在过去十年中，设计并提供了几种方法来预测潜在的DDI。

    在本研究中，我们提出了一种异质网络辅助推理(HNAI)框架(图1)，用于大规模预测可能发生的DDIs。首先，我们构建了一个完整的DDI网络，

最低0.47元/天 解锁文章
生物信息学|癌症药物图谱使药物协同靶向成为可能
ShenggengLin的博客
03-24 1486
本篇推文引自：A cancer drug atlas enables synergistic targeting of independent drug vulnerabilities 1. 摘要     使用联合药物协同作用进行个性化的癌症治疗是有吸引力的，但同时也是一件困难的事情。在这里，我们提出了一种方法来揭示基于单药效应分析的药物组合的有效性。为此，我们使用了来自药物基因组百科全书的剂量反应数据，并将这些数据表示为药物图谱。药物图谱代表了药物作用之间的关系，并允许识别肿瘤在被两种药物攻击时的独立过程
生物信息学|机制驱动的可解释深度神经网络，用于药物组合的协同预测和通路反卷积
ShenggengLin的博客
03-24 2336
0. 摘要     联合用药在癌症治疗方面显示出了巨大的潜力。不仅可以减轻耐药性，而且可以提高治疗效果。抗癌药物数量的快速增长已经导致所有药物组合的实验研究变得昂贵和耗时。计算技术可以提高药物联合筛选的效率。尽管最近在将机器学习应用于协同药物组合预测方面取得了进展，但仍存在一些挑战。首先，现有方法的性能是次优的。还有很大的改进空间。第二，生物知识没有完全融入到模型中。最后，许多模型缺乏可解释性，限制了它们的临床应用。为了应对这些挑战，我们开发了一种基于知识和自注意力机制的增强深度学习模型TranSynerg
药物靶标相互作用（三）
qq_46080349的博客
11-13 1275
药物靶标相互作用
人工智能辅助药物发现(6)药物相互作用
白景屹的博客
02-07 1911
AIDD：药物相互作用
生物信息学|药物-药物相互作用的深层预测模型
ShenggengLin的博客
12-09 5806
本篇推文引自：DPDDI: a deep predictor for drug-drug interactions 1. 摘要     在本工作中，我们提出了一种新的方法(即DPDDI)，利用图卷积网络(GCN)和深度神经网络(DNN)模型作为预测器，从DDI网络中提取药物的网络结构特征，从而预测DDIs。GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量，训练一个DNN，用于预测潜在的药物-药物相互作用。实验结果表明，
生物信息学|基于多尺度特征融合的药物-药物相互作用预测
ShenggengLin的博客
03-24 2780
0. 摘要     动机:不良药物-药物相互作用(DDIs)是药物研究的重要内容，是药物发病和死亡的主要原因。因此，识别潜在的DDIs对于医生、患者和社会都是至关重要的。现有的传统机器学习模型严重依赖手工特征，缺乏泛化。近年来，深度学习方法能够自动从分子图或药物相关网络中学习药物特征，提高了计算模型预测未知ddi的能力。然而，以往的研究都是利用大量的标记数据，只考虑药物的结构或序列信息，而没有考虑药物与其他生物医学对象(如基因、疾病、通路等)之间的关系或拓扑信息，或者只考虑知识图谱(KG)，而没有考虑药物分
生物信息学|使用迁移学习预测未被研究组织中的抗癌药物协同作用
ShenggengLin的博客
12-09 2036
本篇推文引自：Anti-cancer Drug Synergy Prediction in Understudied Tissues using Transfer Learning 1. 摘要     动机:高通量组合药物筛选在确定癌症治疗方案上具有优势。一个关键的挑战是，对不同类型癌症的体外药物反应的观察积累数量差异很大，其中一些组织(如骨和前列腺)的研究不足。因此，本文的目标是建立一个药物协同预测模型，以克服缺乏研究的组织数据短缺问题。     结果:从六个不同的数据库中收集了一套完整的癌细胞的遗传、分
基于深度生物学引导辅助学习的多模态数据整合和插补来改进基因型-表型预测
jiaxiaovi的博客
08-12 894
基于深度生物学引导辅助学习的多模态数据整合和插补来改进基因型-表型预测
30、基于机器学习的蛋白质 - 蛋白质相互作用预测
最新发布
lll78的博客
07-08 172
本文探讨了基于机器学习的蛋白质-蛋白质相互作用（PPI）预测方法，重点分析了利用序列信息、二级和3D结构、序列熵、进化保守性、溶剂可及表面积、蛋白质表达等多种蛋白质特征进行PPI预测的效果。文章总结了不同特征的应用价值及特征表示方法，如滑动窗口法和多尺度连续与不连续（MCD）方法，并指出了当前PPI预测面临的数据不完整性、假阳性问题以及特征选择难题等挑战。最后，文章提出了未来研究方向，包括整合更多蛋白质特征、应用集成学习算法以及在更多物种中开展PPI预测研究，旨在提高PPI预测的准确性与可靠性，为理解蛋白质
使用图神经网络预测药物-药物相互作用
m0_52647764的博客
04-21 5184
GNN预测药物与药物之间的关系，通过GraphSAGE模型来测试。
生物信息学|药物发现中的机器学习技术（2）
ShenggengLin的博客
03-25 1478
本篇推文引自：Advanced machine-learning techniques in drug discovery 1. 迁移学习     如果数据量比较少，那么有一些技术可以用来规避这个问题。迁移学习就是这样一种技术，它是将从解决一项任务中获得的知识转移到另一项相关任务的过程。迁移学习是一种越来越流行的ML框架，特别是在医学图像分类中，它包含了一系列技术。迁移学习是通过从已经学习的相关任务中转移知识来改进对新任务的学习。该技术利用从用于预测其目标变量Ya的大数据集A生成的特征，并从数据不足的数据集
《2022 Artificial Intelligence in Drug Design》 笔记--第二章：机器学习在药学和ADMET终点建模中的应用
weixin_70379932的博客
08-24 1819
近年来，定量构效关系(QSAR)这一广为人知的概念引起了人们极大的兴趣。数据、描述符和算法是构建有用的模型的主要支柱，这些模型支持使用计算机方法进行更有效的药物发现过程。这三个领域的重大进展是人们对这些模型重新产生兴趣的原因。在这本书的章节中，我们回顾了各种机器学习(ML)方法，这些方法利用了许多化合物的体外/体内测量数据。我们将这些与其他数字药物发现方法联系起来，并给出了一些应用实例。近年来，定量结构-活性关系(QSAR)[141]这一古老的概念引起了人们的极大兴趣。
生物信息学|药物发现中的机器学习技术（1）
ShenggengLin的博客
03-25 1542
本篇推文引自：Advanced machine-learning techniques in drug discovery 1. 摘要：     机器学习(ML)在药物发现中的持续增长，产生了令人印象深刻的结果。随着它们的使用增加，它们的局限性也变得越来越明显。这些局限性包括它们对大数据的需求、数据的稀缺性以及缺乏可解释性。也很明显的是，这些技术并不是真正自主的，即使在部署后也需要再训练。在这篇综述中，我们详细介绍了如何使用先进技术来规避这些挑战，并举例说明了药物发现和相关学科。此外，我们提出了新兴技术及其
药物组合疗法的机器学习方法（综述类）
xiao_muyu的博客
10-05 7017
论文题目： Machine learning approaches for drug combination therapies 论文出自： Briefings in Bioinformatics, bbab293 药物组合疗法的研究意义？ 药物组合主要针对复杂疾病如癌症等，与单药给药相比，具有药效更强，副作用低等潜在优势。 癌症等复杂疾病的产生发展往往伴随复杂的基因通路改变，因此药物组合可以通过作用于多种通路的多个靶标，发挥更好的治疗效果。 机器学习方法的作用？
生命科学领域 - Drug Discov Today｜用于药物发现的多种去中心化机器学习技术
Larry的博客
11-16 412
数据可用性、数据安全和隐私问题通常会影响机器学习技术的最佳性能。 因此，在药物发现领域，人们提出了利用私人/敏感数据来完成机器学习模型构建任务的新技术。 这些新技术包括安全多方计算、分布式深度学习、同态加密、基于区块链的点对点网络 、差分隐私和联邦学习，以及这些技术的组合。
基于大规模结构相似和文本相似的知识图挖掘方法预测药物相互作用
weixin_42891125的博客
11-05 949
基于大规模结构相似和文本相似的知识图挖掘方法预测药物相互作用 （Large-scale structural and textual similarity-based mining of knowledge graph to predict drug–drug interactions） 论文来源：[link]（http://dx.doi.org/10.1016/j.websem.2017.06....
论文解读：《一种基于长短期记忆网络深度学习的药物靶相互作用预测方法》
ZGY9542的博客
01-03 2899
现代药物发现的关键是发现，识别和准备药物分子靶标。但是，由于通量，精度和成本的影响，传统的实验方法很难广泛用于推断这些潜在的药物-靶标相互作用（DTI）。因此，迫切需要开发有效的计算方法来验证药物与靶标之间的相互作用。作者开发了基于深度学习的DTI预测模型。蛋白质的进化特征是通过特定位置评分矩阵（PSSM）和勒让德矩阵（LM）提取的，并与药物分子的亚结构指纹相关联，以形成药物-靶对的特征向量。然后，利用稀疏主成分分析（SPCA）将药物和蛋白质的特征压缩到统一的向量空间中。最后，构建了深长短期记忆以进行预测。
机器学习深掘临床研究中小分子代谢标志物的探索与应用
AllenLV的博客
11-25 2045
小分子生物标志物的概念小分子生物标志物是指在人体内发生变化，能够作为疾病判断和检测指标的小分子化合物。例如，临床上对糖尿病的判断可以利用人体中的血糖或尿糖浓度作为依据；肾功能疾病的判断可以根据肌酐浓度作为依据；冠心病的判断可以通过胆固醇的水平以及动脉硬化程度作为依据等。生物标志物的分类，生物标志物可分为小分子、大分子、复合生物以及生物种群标志物等。小分子生物标志物：是人体生命活动和代谢的基础，其在人体内的变化可作为疾病判断和检测的指标。大分子生物标志物：可分为核酸类、蛋白质类以及糖类和脂类等。
基于Python机器学习算法小分子药性预测（岭回归+随机森林回归+极端森林回归+加权平均融合模型）
小胡说人工智能的博客
06-20 1662
本项目基于机器学习算法（岭回归+随机森林回归+极端森林回归+加权平均融合模型），通过对单模型和融合模型计算所得的指标进行对比，旨在实现对小分子在人体内清除率指标的预测。这项技术可以进行二次开发，为药物研发提供准确的预测结果，加速候选药物的筛选过程，为研发人员提供宝贵的指导，推动药物研发的进展。
DDI药物相互作用预测
03-08
### DDI预测方法综述 #### 基于DDI网络的方法 一种有效而稳健的DPDDI方法被提出，这种方法利用了DDI网络的信息，在不考虑药物的具体化学和生物性质的情况下成功预测潜在的DDIs。此方法不仅有助于检测意外副作用，还能指导合理的药物联用方案的设计[^1]。 #### 整合多种相似性的机器学习框架 为了提高预测准确性，另一种称为HNAI的框架被开发出来。该框架融合了药物表型、治疗用途、结构特性以及基因组层面的相似性，并采用了五种不同的机器学习算法来进行DDI预测。实验结果显示支持向量机(SVM)模型达到了0.67的AUC得分。这表明整合多源信息可以增强对特定类别如抗精神病类药品间相互作用的理解和预测能力[^2]。 #### AI辅助下的提示词预测技术 在AI驱动的药物筛选过程中，有一种特别的技术叫做提示词预测法。它依赖自然语言处理技术和深度学习模型来解析大量未标注文本资料中的关键术语，并据此推断可能存在的药物交互效应。整个流程涵盖了数据预处理、特征工程到最终的应用部署等多个阶段。这种基于文本挖掘的方式能够快速发现新奇但尚未记录下来的DDI案例[^3]。 #### 利用知识图谱的知识表示学习 最后介绍的是结合KG（Knowledge Graph）嵌入与卷积LSTM神经网络构建的一种新颖DDI预测工具。这里所使用的药物KG并不直接包含有关DDI的具体描述；相反，它是通过对多个公开可用资源的数据进行聚合形成的复杂关联体系。通过这种方式获得的隐含模式对于揭示隐藏于海量医疗文献背后的潜在风险具有重要意义[^4]。 ```python import numpy as np from sklearn.svm import SVC from sklearn.model_selection import cross_val_score, KFold def train_svm_model(X_train, y_train): """ 训练并评估SVM分类器用于DDI预测 参数: X_train (array-like): 特征矩阵 y_train (array-like): 标签数组 返回: float: 平均交叉验证分数 """ clf = SVC(kernel='linear', probability=True) cv = KFold(n_splits=5, shuffle=True, random_state=42) scores = cross_val_score(clf, X_train, y_train, scoring="roc_auc", cv=cv) return np.mean(scores) # 示例输入数据集X_train 和标签y_train 应由具体应用场景提供 mean_cv_score = train_svm_model(X_train, y_train) print(f"SVM Model AUC Score on Cross Validation: {mean_cv_score:.2f}") ```
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值