基于人工智能与机器学习等多种方法的研究内容_人工智能和机器学习筛选信息-CSDN博客

本文链接：https://blog.csdn.net/2301_76600676/article/details/130698258

本文探讨了机器学习和人工智能在生物医学领域的广泛应用，包括药物设计、基因组学、蛋白质组学和单细胞分析。CADD和AIDD技术在药物研发中的角色日益重要，深度学习则提升了基因组数据的分析效率和临床应用价值。同时，单细胞空间转录组技术揭示了细胞功能和表型的精细信息。各领域的专家通过他们的研究和实践经验，推动了生物医学向数据驱动方向发展。

摘要由CSDN通过智能技术生成

导语

生物医学是综合医学、生命科学和生物学的理论和方法而发展起来的前沿交叉学科,基本任务是运用生物学及工程技术手段研究和解决生命科学，特别是医学中的有关问题。机器学习技术能利用复杂的算法在大规模、异质性数据集中进行运行,在生物医学方面、人类基因组项目、癌症全基因组项目、等项目上都表现出了巨大的潜力，收集并分析与医学疗法和患者预后相关的大量数据集或能将医学转化称为一种数据驱动、以结果为导向的学科，其对于疾病的检测、诊断都有着非常深远的影响。

CADD（Computer Aided Drug Design）的推广应用，经过数十年的积累，已成为当今药物研发不可或缺的一部分，且国内外产出了部分实质性的成果。国外一些大型制药公司如默克、罗氏、诺华等，已经有一些领域通过CADD技术获得了更优的产品，甚至已成功上市，如血管紧张素转化酶抑制剂卡托普利、HIV-1蛋白酶抑制剂沙奎那韦、神经氨酸酶抑制剂扎那米韦等，均用到了一定的CADD来辅助结构优化设计。

AIDD（AIDrug Discovery & Design）范围来说覆盖了机器学习和深度学习，能与新药研发相结合并实质性的应用到靶点预测、高通量筛选、药物设计、药物的ADMET性质预测，等；且算力方面，由早期应用于药物发现领域的决策树、随机向量机等机器学习模型，进展到深度神经网络、卷积神经网络、循环神经网络等深度学习算法。

基因组学（genomics）是对生物体所有基因进行集体表征、定量研究及不同基因组比较研究的一门交叉生物学学科，基因组学的目的是对一个生物体所有基因进行集体表征和量化，并研究它们之间的相互关系及对生物体的影响。机器学习已经被广泛应用于基因组学研究中，利用已知的训练集对数据的类型和应答结果进行预测，深度学习，可以进行预测和降维分析。深度学习模型的能力更强且更灵活，在适当的训练数据下，深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基因组学，变异检测，致病性评分成功应用。深度学习可以提高基因组数据的可解释性，并将基因组数据转化为可操作的临床信息。改善疾病诊断方案，了解应该使用哪些药物和给谁服用药物，最大限度的减少副作用，最大限度的提高疗效，所有这些都要求从基因组原始数据开始进行分析。这将是一项非常耗时的过程，因为涉及到的变量太多了，而深度学习恰恰能帮助缩短这一过程。

单细胞空间转录组(Single-Cell Spatial Transcriptomics) 是一种新兴的基因组学技术，它可以提供细胞组织中细胞的空间分布和基因表达的精确图像。从而更好地理解细胞组织中细胞的功能和表型。它可以提供有关细胞组织中细胞的空间分布和基因表达的更多信息，从而有助于更好地理解细胞组织中细胞的功能和表型。因此，单细胞空间转录组技术可以为研究细胞组织中细胞的功能和表型提供重要的信息。

蛋白质组学是一种研究蛋白质组，也就是细胞或生物体内所有蛋白质的组成、结构和功能的学科。它主要包含蛋白质分离和鉴定、蛋白质互作和代谢、生物信息学分析等方面。蛋白质组学的研究内容非常广泛，它不仅可以帮助我们了解生物体内蛋白质的组成和特性，更可以为生物医学、农业、环保等多个领域的研究提供重要支持。蛋白质的功能一直是生物化学研究的重点。多数蛋白通过与其他蛋白相互作用发挥其生物学功能，参与细胞生命活动。试验方法筛选蛋白质结合配体既耗费人力物力，又由于丰度抑制而很难找到低丰度的配体。一个简洁的途径就是通过机器学习的方法筛选数据库，利用少量的已知相互作用数据，建立了一个整合的预测系统，预测蛋白质相互作用，然后再用生物学试验进行验证。这样能将有限的试验资源导向最有可能的潜在配体。

CADD计算机辅助药物设计课表目录

向下滑动查看完整内容

第一节课

背景与理论知识以及工具准备

1. 生物分子相互作用基础

1.1生物分子相互作用研究方法

1.2蛋白-小分子，蛋白-蛋白相互作用原理

1.2分子对接研究生物分子相互作用

1.3蛋白蛋白对接研究分子相互作用

2.PDB及PDBsum数据库的介绍和使用

1.1数据库简介(功能，可获取资源，重要性)

1.2靶点蛋白的结构查询与选取