Drug-Target Interaction 预测中的几个数据库

最新推荐文章于 2024-05-23 12:04:57 发布
最新推荐文章于 2024-05-23 12:04:57 发布
阅读量4.7k 收藏 15
点赞数 1
分类专栏： Drug-Target Interaction 文章标签： Drug-Target Interact
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。
本文链接：https://blog.csdn.net/dahaiyudong/article/details/74625754
版权
本文探讨了在Drug-Target Interaction预测中常用的几个关键数据库，包括它们的特性、数据来源以及在药物研发中的应用。通过对这些数据库的深入理解，可以提升DTI预测的准确性和效率。
摘要由CSDN通过智能技术生成
自从 Yamanishi Y et. al. 发表论文 Yamanishi Y, Araki M A, Honda W, et al. Prediction of drug-target interaction networks from the integration of chemical and genomic spaces[J]. Bioinformatics, 2008, 24(13):i232-i240. 以来，很多论文都基于其发表的四个药靶相互作用数据集（Nuclear Receptor, GPCR, Ion Channel, Enzyme），在其提供的数据里面，有两个是 ID ，其中一类形如 D00371，是 KEGG 中的 Drug ID, 另一类形如 hsa134, 是 KEGG GENES Database ID,


Fig.1 D00371

最低0.47元/天 解锁文章
Y-hit
关注
专栏目录
【图神经网络GNN & 药物----靶点预测】DTI-HETA：基于GCN和GAT在异构图上预测药物-靶点相互作用
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
03-03 1171
本次阅读的文献，依然是关于图神经网络方面，应用于医学中药物——靶点相互作用的预测。该文献是2022年上半年发表在《生物信息学简报》的一篇文章。
AI医药论文笔记--MUFFIN: multi-scale feature fusion for drug–drug interaction prediction
xiao_muyu的博客
01-25 3185
MUFFIN:多尺度特征融合预测药物-药物相互作用 论文题目 MUFFIN: multi-scale feature fusion for drug–drug interaction prediction 论文出自 Bioinformatics, 2021, 1–8 一、研究现状？ 以往的研究利用大量的标记数据，仅仅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)之间的关系或拓扑信息，或仅考虑知识图(KG)而不考虑药物分子结构信息。 二、MUFFIN模型？
Drug-drug Interaction Prediction with Graph Representation Learning
qq_41200212的博客
03-28 331
一种药物的药理活性可能会由于同时给药另一种药物而改变，从而导致未预料到的药物-药物相互作用(DDIs)。然而，现有的DDI预测方法在以下几个方面存在不足:(1)可扩展性:它们严重依赖于与药物相关的多种特征，导致在大规模的数据集中，大多数药物的重要特征是不可用的。(2)鲁棒性:他们的目标是在融合多种特征的情况下逼近交互概率。该模型可能对测试集的两两相似信息很敏感。在本文中，我们探索了图表示学习在更精确的DDI预测方面的应用，建立了一个全新的模型来解决这两个问题，实现了更高的性能，并保持了一定的可解释性。
AI医药论文解读--Drug-drug Interaction Prediction with Graph Representation Learning
xiao_muyu的博客
12-09 1218
基于图表示学习的药物相互作用预测 论文题目 Drug-drug Interaction Prediction with Graph Representation Learning 论文出自 BIBM 2019 文章目录基于图表示学习的药物相互作用预测一、现有DDI预测方法的不足之处？二、模型？三、各模块详细介绍？3.1 GCN3.2 Drug-drug Interaction Prediction四、实验结果？五、思考？ 一、现有DDI预测方法的不足之处？ 可扩展性：依赖于不同的药物相
关于drug-target interaction
白景屹的博客
09-27 1350
对于药物靶标预测（drug-target interaction），上面两个任务都能节约时间成本，促进药物发现。深度学习在药物再利用和虚拟筛选方面表现出强大的性能。这两个任务都依赖于一项基本任务的准确和快速预测：药物-靶标相互作用预测。。给定一个强大的 DTI 模型，它能够泛化一个新的看不见的数据集，然后我们可以扩展到药物再利用和筛选（repurposing or screening）。
分享一个药物预测网站DesigN
weixin_46500027的博客
03-04 1149
DesigN网站的参考文献来自一下链接：DeSigN: connecting gene expression with therapeutics for drug repurposing and development - PubMed 该网站链接如下：DeSigN - Cancer Research Malaysia DeSigN 是一种稳健的方法，可用于使用从基因表达分析中获得的输入基因特征来识别候选药物。这个用户友好的平台可用于识别对感兴趣的癌细胞系具有意想不到的功效的药物，因此可用于药物的再利用
生物信息学之抗癌药物反应论文阅读五：L1000+DTI
Programming_miao的博客
12-18 3566
论文地址：Drug–target interaction prediction with a deep-learning-based model 基于深度学习的药物-靶标相互作用预测 作者信息： Lingwei Xie1†, Song He2†, Xinyu Song2, Xiaochen Bo2* and Zhongnan Zhang1* 1 厦门大学 2 北京放射医学研究所 文章来...
DrugBank数据库Downloads详解（版本5.1.4，2019-7-2）
热门推荐
褚骏逸的学习之路
10-08 1万+
Drugbank开放数据集是公共域数据集，可以在您的应用程序或项目中自由使用（包括商业用途）。它是根据Creative Common的CC0国际许可证发布的。 在法律允许的范围内，将CC0与药房银行公开数据关联的人放弃了对药房银行公开数据的所有版权和相关或相邻权利。发表于：加拿大。 https://www.drugbank.ca/ 目录 1. Drug Sequences（以Approve...
DTIs（药物靶标关联）预测，在机器学习中的常用方法。（一）
qq_56555982的博客
07-09 2510
药物靶标关联预测（DTI）入门，一起学习吧。
呼吸音分类
02-14
[进行中]呼吸音分类 呼吸声的各种特征在不同程度上有助于分类表示，例如音调质心，频谱对比度，色谱图，梅尔频率谱图，梅尔频率倒谱系数和短期傅里叶变换。 我们建议使用深度学习方法（即卷积神经网络）来发现呼吸音分类的潜在多个特征的功效和效率。 这可能有助于在大流行期间为COVID-19初步筛查开发新颖的数据驱动模型。 研究呼吸声的多种特征也可能填补临床数据和筛查方法之间的空白。 [TBD]（麻省理工学院开发了一种通过听咳嗽来检测Covid-19的AI模型（论文解释））[ ] 他的YouTube频道真棒。
「论文翻译」Graph convolutional networks for computational drug development and discovery
雨y飘零久的博客
01-08 2364
尽管在过去十年中深度学习在各个领域都取得了令人瞩目的成功，但其在分子信息学和药物发现中的应用仍然受到限制。在深层架构适应结构化数据方面的最新进展为药物研究开辟了新的范例。在这项调查中，我们对图卷积网络的领域以及图卷积网络在药物发现和分子信息学中的应用进行了系统的综述。通常，我们对图卷积网络为何以及如何可以帮助完成与药物有关的任务感兴趣。我们通过四个角度阐述了现有的应用：分子性质和活性预测，相互作用预测，合成预测和de novo药物设计。我们简要介绍图卷积网络背后的理论基础，并说明基于不同公式的各种体系结构。
论文解读：KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction
mysky54的博客
04-01 3108
一、背景 药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时，药物之间所产生的相互作用，而该相互作用可能会导致意想不到的副作用。 总结归纳现有DDI预测方法，大致可分为两大类。一类是分子表示，主要聚焦于药物分子的特征学习。这类方法都基于同样的假设：即具有相似嵌入表示的药物分子将会表现出相似的DDI。 另一类常用的DDI预测方法是基于网络嵌入的方法，通过构建各种与药物有关的生物网络，在这个网络中，将药物看作网络中的节点，通过学习节点的嵌入表示来预测潜在的边，即DDI的关系。构建映射关系网络也有多
2024最新药物化学ADME数据库，你收藏了吗？
最新发布
a13981820402的博客
05-23 1276
ADME数据库是药物研发领域中的一块基石。它们不仅为我们提供了深入理解药物行为的科学基础，还为创新药物的开发和个性化医疗的实现提供了强有力的支持。随着科技的不断进步，我们可以期待这些数据库在未来的药物研发中发挥更加重要的作用。
基于知识图谱和推荐系统的统一药物靶点相互作用预测框架
发呆的比目鱼的博客
11-26 3286
本文介绍一篇来自浙江大学侯廷军教授课题组、中南大学曹东升教授课题组、浙江大学贺诗波教授课题组和腾讯量子实验室联合发表在Nature Communications的一篇文章。 基于知识图谱和推荐系统的统一药物靶点相互作用预测框架 药物靶点相互作用 (DTI) 的预测在各个领域的药物开发中起着至关重要的作用，例如虚拟筛选、药物再利用和潜在药物副作用的识别。 目前DTI 预测问题：（1）DTI 数据集的高度稀疏性（2）冷启动问题 本文结合了知识图谱 (KG) 和推荐系统开发了 KGE_NFM，一个统一的 DTI.
ChEMBL数据库的官方python工具包
周迪新的博客
02-18 4056
详细介绍： https://github.com/chembl/chembl_webresource_client/blob/master/README.rst 其他： https://github.com/mgalardini/chembl_tools https://github.com/chembl/chembl_webresource_client/issues/25 ...
知识图谱-生物信息学-医学顶刊论文(Briefings in Bioinformatics-2022)：基于异构图GCN和GAT的DTI预测
CJK's Blog
12-07 3014
目录药物-靶点相互作用(DTI)预测在药物重新定位、药物发现和药物设计中具有重要作用。然而，由于化学和基因组空间大，药物和靶点之间的相互作用复杂，DTI的实验鉴定是昂贵和耗时的。近年来，新兴的图神经网络(GNN)被应用于DTI的预测，因为DTI可以有效地用图表示。然而，其中一些方法仅基于同构图，还有一些方法由两个解耦步骤组成，无法联合训练。为了进一步探索融合异构图信息的基于GNN的DTI预测，本研究将DTI预测视为一个链路预测问题，提出了一种基于注意力机制异构图的端到端模型(DTI-HETA)。该模型首先基
基于ChEMBL数据库的文本分类器
onetwotwothree_的博客
04-11 547
摘要：某些科学家和将大数据提取整理到公共数据库这一过程都需要对文本进行数据挖掘，科学出版物的大量发行则要求可以实现半自动和全自动文本挖掘。作者开发了一种文档分类器，可以成功区分“类化学物” (即与小分子药物发现相关且可能包含定量生物活性数据的出版物)和“非类化学物”。 基于ChEMBL数据库的文本分类器 ref：Journal of Cheminformatics 2014, 6:40；IF=3.893 链接：http://www.jcheminf.com/content/6/1/40..
DTI-CDF:一种基于混合特征预测药物靶点相互作用的级联深层森林模型
ShenggengLin的博客
10-07 7488
1. 摘要     药物靶标相互作用(DTIs)在靶向药物的发现和开发中起着至关重要的作用。DTIs的计算预测可以有效地补充湿实验室技术对DTIs的识别。然而，现有的DTI预测方法存在精度低、假阳性率高的问题。本文提出了一种基于级联深度森林模型的预测方法，命名为DTI-CDF。在实验中，本文在三种不同的数据集实验设置下构建了5个重复的10倍交叉验证。实验结果表明，本文提出的DTI-CDF方法比传统的基于集成学习的方法如随机森林和XGBoost、深度神经网络以及最新的DDR方法取得了显著的性能提升。此外，有1
matlab fluid-solid interaction
08-23
在双向耦合中，流体计算传递压力给固体计算，而固体计算则将节点位移返回给流体程序以更新流场 。Matlab可以通过使用相应的工具箱或编写自定义代码来进行流固耦合计算。例如，Matlab中的PDE Toolbox和Fluid Flow ...
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