通过深度学习增强药药反应和药食反应的预测效果

最新推荐文章于 2023-01-26 17:00:19 发布
最新推荐文章于 2023-01-26 17:00:19 发布
阅读量1.9k 收藏 17
点赞数 6
分类专栏： 深度学习 文章标签： 深度学习 药物预测 机器学习 模式识别 药药反应
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/qq_36518123/article/details/80064219
版权

通过深度学习增强药药反应和药食反应的预测效果

前言

还是不要不务正业了，重新回到DDI的怀抱之中。（笑）

这篇是PNAS（美国科学院）的论文，还是有点分量的……虽然我觉得有点水

本篇文章主要讲的是基于深度学习的药物副作用与药物宇食物的作用的预测。

背景

药与药(drug-drug interaction，DDI)，药与食物(drug-food constituent interaction，DFI)之间会产生极其大的反应，其中有很多恶性的反应（adverse drug events, ADE)，也有良性的反应。我们药减少恶性的反应并且增加良性的反应。

作者主要描述了基于深度学习的DDI和DFI的预测，模型名为DeepDDI。

方法与实验

作者使用了深度学习的方法进行DDI的预测，将DDI作为86类分类器（具体哪八十六类，可以参考deep-ddi所有数据文件的dataset-S01）。
structure

上图是模型主要架构

preprocess

可以看见，将药物的SMILES（simplified molecular-input line-entry system，简化分子线性输入规范，用于描述一个化学物质的结构）输入，并且可以生成SSP（structural similarity profile，药物的特征向量，可以描述给定药物的独特结构特征）

ps：SSP我google+百度了半天没查到，可能SSP是他们原创的方法

pca

SSP可以对某个单独的药物描述结构性特征。计算方法是与所有的2159个DrugBank中的药物的ECFP4（illustration of ECFP4）经行比对。通过计算对每个药物的ECFP4的Tanimoto系数 T(A,B)=

最低0.47元/天 解锁文章
Kardel_Chen
关注
  • 6
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于深度学习的药物相互作用预测.zip
04-19
基于深度学习的系统
论文解读：《通过深度学习从转录谱预测药物疗效》
ZGY9542的博客
09-25 915
基于靶标蛋白的药物研发是一种成功的策略，但许多疾病机理或者发病机制缺乏明显的靶点来实现这种方法。为了克服这一挑战，该研究描述了一种基于深度学习和基因指纹的药效预测系统 (DLEPS)，该系统使用疾病相关基因表达谱的变化作为输入来识别候选药物。DLEPS 使用 L1000 项目中化学诱导的转录谱变化进行训练。该研究发现，以前未知的转录谱的变化Pearson相关系数被预测为 0.74。该研究在3种代谢性疾病中进行了验证，并在小鼠疾病模型中对顶级候选药物进行了实验测试。
FlowMO:用于在分子上训练高斯过程的库
05-30
流模 用于在分子上训练高斯过程的库 安装 我们建议使用 conda 环境。 conda create -n gp_molecule python==3.7 conda install -c conda-forge rdkit conda install matplotlib pytest scikit-learn pandas pytorch pip install git+https://github.com/GPflow/GPflow.git@develop#egg=gpflow pip3 install jupyter cd Theano-master python setup.py install 例子 请参阅示例文件夹，了解在训练分子上拟合 Tanimoto 和字符串内核 GP 并在保留测试集上进行评估所需的最低限度。 陈述 该库目前支持 SMILES 和 ECFP6 指纹
基于ECFP4分子指纹的大规模分子聚类（chemfp）
wangllYN的博客
01-26 1277
使用chemfp软件进行百万级的化合物聚类
Neuraldecipher-逆向工程：从扩展连接性指纹（ECFPs）到其分子结构
weixin_40551464的博客
08-17 1153
保护分子结构，使其不被外界所知，对工业和私人协会（如制药公司）来说具有重要意义。在外部合作时，将分子结构编码为描述符，并以此来交换数据集是很常见的。因为诸如扩展连接性指纹（ECFPs）等分子指纹通常在定量结构-活性关系任务中表现良好，所以我们经常使用这种描述符进行交换。由于ECFPs的计算方式，它们通常被认为是不可逆转的。在本文中，我们提出了一种快速的逆向工程方法，来基于给定的ECFPs推导其分子结构。...
rdkit获取分子指纹
sunshinggg的博客
04-13 1139
通过rdkit包，获取分子指纹ecfp4 from rdkit import Chem from rdkit.Chem import AllChem X = '[Br:117][c:3]1[cH:4][c:5]([C:9]2([CH2:12][C:13]([Cl:16])([Cl:15])[Cl:14])[CH2:11][O:10]2)[cH:6][cH:7][cH:8]1' mol = Chem.MolFromSmiles(X) fp = AllChem.GetMorganFingerprintAsBit
Bioinformatics | MICER: 用于分子图像字幕的预训练编码-解码架构
DrugAI
08-22 729
该文章受编码器-解码器架构的启发，提出了MICER分子图像识别架构，结合迁移学习、注意力机制和几种数据构造策略增强不同数据集的有效性和可塑性；并评估了不同因素对该架构的影响以及数据集错误分析，为后续研究提供方向。该方法在构造的数据集以及基准测试集上较传统的方法取得了显著的提升。
利用神经网络模型对等离子体化学反应的预测分析.pdf
09-26
"利用神经网络模型对...这也是神经网络模型在等离子体化学反应预测分析中的应用。 本文研究了利用神经网络模型对等离子体化学反应的预测分析。该模型可以用于预测等离子体化学反应的结果，具有非常强的参考意义。
机器学习在多相反应器中的应用进展.pdf
09-24
研究深度学习和物理模型的融合，以提高预测的准确性并增强模型的物理意义；探索强化学习在多相反应器控制中的应用，实现自适应和智能化操作；利用大数据和云计算技术，处理更大规模的多相流数据，以及建立更加精细的...
药代动力学处理软件winnolin
05-29
可以处理药代动力学数据，有详细的说明指导，但是只能使用一个月的时间
深度学习pytorch中草药识别
05-29
使用深度学习的pytorch框架实现对15种中草药的识别，其中包含自己创建的小型中草药图片数据集。。。
深度学习技术对体系化战略预警影响的思考.pdf
08-19
例如，通过训练深度学习模型，预警雷达可以自动识别并分类不同类型的飞行目标，甚至预测其可能的行为轨迹，从而提前做出反应。同时，深度学习还能优化装备的自我诊断和维护功能，降低故障率，确保系统的稳定运行。 ...
基于深度学习的ELM实时识别研究.pdf
08-18
传统的ELM缓解方法多依赖预设曲线判断，而实时识别算法的开发将有助于更精准地预测和管理这一过程。 深度学习，作为一种强大的数据分析工具，被用于构建一个22层的卷积神经网络（CNN）。这个网络经过5200次放电数据...
基于BP神经网络与遗传算法的强光爆震弹装药优化.pdf
09-26
接着，基于BP神经网络建立装药性能预测模型，该模型能够模拟装药在不同条件下的反应，预测其性能指标，如声压级、闪光效果等。 BP神经网络是一种反向传播算法的多层感知器，能处理复杂的非线性关系。通过训练神经...
CADD药物设计；QSAR模型
weixin_42357472的博客
01-04 1974
计算药物设计（CADD）是一个使用计算技术来帮助设计和开发新药的领域。它涉及使用计算机程序来模拟潜在药物分子与体内靶蛋白之间的相互作用，以及预测这些分子的性质和行为。这可以帮助研究人员识别新的药物候选物，优化其结构和活性，并预测潜在的副作用。CADD还可用于研究现有药物，了解其作用机制。它是一种强大的工具，可以帮助加速药物发现和开发过程，并已应用于包括癌症、心血管疾病和传染病在内的广泛治疗领域。计算药物设计（CADD）涉及使用多种方法来帮助设计和开发新药。
第六次周报
qq_35608850的博客
10-30 131
本周对cnn的经典模型LeNet5进行了解，主要工作放在对tensoflow的学习，还阅读了《Drug-Drug Interaction Extraction via Convolutional Neural Networks》，这篇文献设计的系统是基于cnn的作者提出了一种基于cnn的DDI（药物相互作用）提取方法。使用Word嵌入和位置嵌入来分别捕获单词的语义信息和单词与两种药物之间的关系，用来表示DDI（药物相互作用）实例。
rdkit 化学指纹（fingerprint）和相似性
qq_36801966的博客
06-29 8356
文章目录一、引入所需库二、化学指纹2.1 拓扑指纹 Chem.RDKFingerprint(mol)2.2 MACCS 指纹MACCSkeys.GenMACCSKeys(mol)2.3 原子对Atom Pairs2.4 拓扑扭曲topological torsions2.5 摩根指纹（圆圈指纹）AllChem.GetMorganFingerprint(mol,2)2.6 摩根指纹拓展三、相似性计算3.1 基于指纹计算相似性3.1.1 方案一：基于拓扑指纹和Tanimoto相似性方法指纹计算3个分子的相似性
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 4406
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，
药物代谢动力深度学习
最新发布
08-10
药物代谢动力深度学习是指利用深度学习技术来研究和预测药物在人体内的代谢动力学过程。深度学习是一种机器学习的方法，通过构建多层神经网络来模拟人类的学习和决策过程。在药物代谢动力学研究中，深度学习可以应用于药物代谢产物的预测、药物代谢酶的识别和预测、药物相互作用的预测等方面。 通过深度学习技术，可以利用大量的药物代谢数据和相关特征进行训练，建立高效的模型来预测药物代谢动力学过程。这些模型可以帮助科研人员更好地理解药物在人体内的代谢途径和速率，从而优化药物疗效和减少不良反应的发生。 需要指出的是，药物代谢动力学深度学习目前仍处于发展阶段，还存在一些挑战和限制。例如，数据质量和数量不足、模型的解释性较差等。但随着技术的进步和数据的积累，深度学习在药物代谢动力学研究中的应用前景仍然非常广阔。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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