BIB | 药物反应预测中的分子表征
The following article is from AI in Graph Author AI in Graph
2021年9月25日,美国密歇根大学计算医学与生物信息系 Hongyang Li 和Yuanfang Guan 在Briefings in Bioinformatics发表了一篇文章。该文章是一篇关于机器学习在药物反应预测中的应用的综述。文章关注的是分子表征,这是药物反应预测和其他化学相关预测任务成功的关键因素。
本文介绍了三种常见的分子表征方法,并给出了它们的实现和应用实例。适用于缺乏机器学习背景的读者理解分子表征方法。
1.总体介绍
本文将众多分子表征分为三大类,如表1所示:线性表征法,数据结构为字符串,典型的是SMILES;分子指纹,使用hash-mapped bit string来表征分子的二维结构;图表征法,用图来表征分子的完整连通性和原子特征。
2.方法介绍
2.1 线性表征法
2.3 图表征法
3.总结和展望
在整个综述中,主要提供了药物反应预测领域的应用实例。事实上,许多分子表征及其高级变体在更广泛的药物发现领域中显示出了很有前景的表现,比如自参考嵌入字符串方法(SELFIES)和SMILES对编码方法,分别在QM9数据集和ChEMBL25数据集上获得了很好的效果。参考文献
----------- End -----------
感兴趣的读者,可以添加小邦微信(zhiyaobang2020)加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或
姓名-学校-职务/研究方向。
- 历史文章推荐 -
【药物设计】
●Drug Discov Today|人工智能增强的药物设计和开发:迈向计算型精准医学
●Drug Discov Today|用于从头药物设计的图神经网络GNN
●Nat Commun|AI结合基因表达特征,从头生成类苗头化合物
●Drug Discov Today综述|分子从头设计和生成模型
●Nat Comput Sci综述|生物分子建模在技术时代蓬勃发展
【靶点发现】
●Nature Outlook|借助算法和模拟将蛋白质折叠的瞬时结构转变为药物靶点
●AI+临床数据助力新药靶点发现,天坛医院院长王拥军谈【神农计划】
【临床试验】
●NPJ Digit Med|多种数字健康技术在去中心化的世界中赋能临床研究
●Nature:如何使用AI分析真实世界数据,简化肿瘤临床试验入组标准
【产业进展】
●20家顶尖制药公司如何将AI应用于药物研发:近年来主要合作活动
【算法开发】
【机器学习质量】
【隐私计算】
●Science China|用增强的联邦学习应对药物发现数据小和偏的困境
●Nature:优于联邦学习的医疗数据共享技术Swarm Learning及应用案例
●AI药物发现的数据共享模式探索:以十大顶尖药企参加的MELLODDY项目为例
【AlphaFold】
●BioRxiv|利用AlphaFold-Multitimer进行蛋白质复合物预测
●谷歌母公司推出AI驱动的药物发现初创公司Isomorphic Labs
●Nat Rev Drug Discov|AlphaFold对药物发现意味着什么?
【量子计算】
●Drug Discov Today|量子计算在药物发现中的潜力:早期的行业动态
【机器人实验室】
【监管】
●Nat Mach Intell|美国和欧洲如何监管医学领域的人工智能
●Drug Discov Today|FDA童伟达:基于AI的语言模型为药物发现和开发提供动力