11、药物 - 靶点关联预测推荐系统

药物 - 靶点关联预测推荐系统

1. 引言

在药物发现领域，预测现有药物的新靶点是一项重要挑战。药物发现成本高且耗时长，新药需经过多个步骤才能获批。老药新用已被证明是一种成功的方法，能显著节省资金和时间。近年来，出现了多种计算技术用于此目的：
- Keiser 等人（2009） ：将已批准和正在研究的药物与数百个靶点进行比较，通过配体定义靶点，搜索药物与配体集之间的化学相似性，预测数千种候选新关联，并通过实验验证了 23 种，该方法系统全面，还能提示药物的副作用和新适应症。
- Olayan 等人（2017） ：为解决药物 - 靶点相互作用计算预测中假阳性率高的问题，使用包含已知药物 - 靶点相互作用的异构图，结合多种相似性，应用非线性相似性融合和随机森林模型，显著降低了假阳性预测率。
- Luo 等人（2018） ：将药物重新定位问题建模为推荐系统，基于已知药物 - 疾病关联推荐新治疗方法，构建异质药物 - 疾病相互作用网络，应用快速奇异值阈值算法完成矩阵预测，在特定案例研究中显示出优势。
- Wu 等人（2016） ：提出结合网络和化学信息学的方法，为老药、失败药物和新化学实体确定潜在靶点优先级，在四个基准数据集上表现良好，并讨论了其在识别非甾体抗炎药新抗癌适应症方面的应用。
- Cheng 等人（2018） ：整合蛋白质 - 蛋白质相互作用（PPI）和大规模患者纵向数据，量化疾病基因和药物靶点的网络接近度，寻找因果关系，发现卡马西平与冠心病风险增加相关，羟氯喹与冠心病风险降低相