【bioinformation 3】人工智能与肿瘤靶点识别

最新推荐文章于 2025-08-01 15:15:13 发布
最新推荐文章于 2025-08-01 15:15:13 发布
阅读量950 收藏 16
点赞数 22
CC 4.0 BY-SA版权
分类专栏： AI+生物医药 文章标签： 人工智能
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/zzqingyun/article/details/136643313
本文探讨了人工智能在肿瘤疾病中的应用，包括肿瘤靶点识别的概述、建模方法（如转录组、单细胞转录组、表观遗传模型），以及多模态分析和靶点发现。文章强调了AI在处理大规模异构数据、识别模式以及个性化治疗策略中的关键作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

🌞欢迎来到AI的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

📆首发时间：🌹2024年3月12日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

目录

人工智能与肿瘤靶点识别概述

肿瘤疾病介绍与治疗

人工智能与肿瘤建模

人工智能与肿瘤转录组模型

肿瘤转录组异质性

人工智能与单细胞转录组数据分析

人工智能与单细胞表观肿瘤模型

人工智能与基于染色质可及性的肿瘤表观遗传模型

人工智能与多模态肿瘤模型

基于多组学的肿瘤研究模式

人工智能与多组学数据建模

人工智能与靶点识别

人工智能与基于表观的靶点发现

人工智能与肿瘤靶点识别概述

肿瘤疾病介绍与治疗

    在我们人体中无时无刻都在进行细胞分裂，这一过程收细胞核控制。在细胞核内部DNA指导这一过程的发生。人体由数万亿个细胞组成，癌症可以发生在人体的任何部位。通常人体细胞生长、分裂并形成新生细胞，来满足机体需要。当细胞衰老或损伤时，细胞就会死亡，然后由新生细胞取代。但是，癌症的发生终止了这一有序的过程。随着细胞变得越来越异常，这些本该死亡的、衰老或受损的细胞继续存活，并且形成新生细胞，这些多余的新生细胞会持续分裂并形成肿瘤。

靶点的意思是：与药物特异性结合的生物大分子的统称。

     靶点的种类主要有受体、酶、离子通道和核酸，存在于机体靶器官细胞膜上或细胞质内。迄今为止所发现的药物作用靶点总数约为500个左右，其中还不包括抗菌、抗病毒等作用靶点，其中受体尤其是G蛋白偶联受体靶点占据绝大多数。

靶点的分类：

（1）以受体为靶点：药物与受体结合才能产生药物效应，理想的药物必须具有高度的选择性和特异性。选择性即要求药物对某种病例状态产生稳定的功效，而特异性是指药物仅与疾病治疗相关联的受体或者受体压型结合。

（2）以酶为靶点：由于酶是催化生成或灭活一些生理反应的介质和调控剂，因此，酶构成了一类重要的药物作用靶点。酶抑制剂通过抑制某些代谢过程，降低酶促反应产物的浓度而发挥其药理作用。

（3）以离子通道为靶点：带电荷的离子通过离子通道进出细胞，来传输信息从未介导细胞正常的生命活动，是人类生命过程的重要组成部分。

（4）以核酸为靶点：人们普遍认为肿瘤的癌变是由于基因突变导致基因表达失调和细胞无限增殖所引起的，因此可将癌基因作用药物设计的作用靶点，利用反义技术抑制癌细胞的增殖。


 

    肿瘤药物研发是人工智能（Artificial intelligence, AI）的重要应用场景。靶点识别是肿瘤药物研发的关键抓手。人工智能为基于组学数据的肿瘤靶点识别提供了强大的计算工 具。人工智能，更具体地说是机器学习（Machine learning, ML）分支， 可以处理大规模异构数据集，并识别出数据中的潜藏模式。目前，决策树、支持向量机等众多人工智能模型均已广泛应用到了组学数据建模和肿瘤靶点识别中。

人工智能与肿瘤建模

人工智能与肿瘤转录组模型
最低0.47元/天 解锁文章

200万优质内容无限畅学
AI4S - 蛋白质刚性对接(Rigid Protein-Protein Docking) 的 ElliDock 算法 简读
AGI
12-29 565
ElliDock 算法是用 椭圆抛物面(Elliptic-Paraboloid) 来表示蛋白质-蛋白质对接的界面，然后，通过使两个界面重合来得到对接的旋转平移变换。这种方法具有良好的旋转平移等变性，能够保证对接过程的泛化性能。实验结果表明，ElliDock 在推理时间上是所有对比方法中最快的，而且在抗体-抗原对接等任务上与当前最先进的学习方法，有着强有力的竞争力。
医疗AI: AI大模型在药物靶点识别中的应用
2401_82452722的博客
01-16 1766
例如，一个只有100个氨基酸的蛋白质，如果每个氨基酸有3种可能的构象（即，3种可能的空间方向），那么可能的折叠方式就有3^100种，这个数字远远超过了宇宙中的原子数量，通过常规计算方式进行计算甚至需要计算到宇宙毁灭。AlphaFold2的输入主要为蛋白质序列的多序列比对(MSA)结果，MSA的构建方式是将输入的蛋白质序列与蛋白质数据库中的序列进行多比对，提取出与输入序列相似的所有序列，并构建为一个矩阵。靶点发现作为整个流程的第一步，是新药研发中决定成败的一步，成功的靶点识别可以为后续的药物设计提供方向。
人工智能辅助药物发现(1)肿瘤靶点识别
白景屹的博客
01-17 1756
AIDD：肿瘤靶点识别
ai人工智能_药物发现中的人工智能
weixin_26719821的博客
09-06 1501
ai人工智能‘What Drug should I make next?’ and ‘How can I make it? “我接下来应该制造什么药物？” 和“我该怎么做？ Historically, drugs were discovered either by chance (Serendipity) or through traditional remedies. In the more ...
药物靶标相互作用drug-target interactions（DTI）论文模型创新点汇总
qq_46370474的博客
09-13 2728
关于一些近期DTI论文汇总
【bioinformation 5】人工智能与药物从头设计
zzqingyun的博客
03-15 668
从头药物设计是根据靶点结构直接构造出形状和性质互补的全新配体分子，因其能提出结构全新的具有启发性的先导化合物。公共化合物数据库 PubChem、 ChEMBL、DrugBank以及 PDBBind 数据库，（此外还有 DrugMatrix 数据库和PharmGKB 数据库。前者是药物安全和毒性数据库，包含 600 种药物的毒理学数据，还包含药物治疗下的大规模大鼠基因表达数据。后者覆盖药物分子临床信息的药物基因组学知识资源。深度学习。
【bioinformation 4】人工智能与苗头化合物筛选
zzqingyun的博客
03-14 1434
从第一种化合物药物诞生至今，科研人员一直在药物研发领域投入大量精力来对抗各种疾病，以提高人们的医疗保健水平。新型小分子药物的开发通常从生物学家确定疾病靶标开始，然后通过筛选技术在数以万计乃至数以百万计的化合物中挖掘出一组能够抑制或激活特定疾病靶标的活性分子。假设我们正在研究一种治疗肺癌的新药。我们的疾病靶点可能是某些在肺癌细胞中过度表达的蛋白质，或者是一些与肺癌细胞生长和扩散有关的基因。这些蛋白质和基因就像是我们需要瞄准的靶子，新药的作用就是调节或抑制它们的功能，从而达到治疗肺癌的目的。
【bioinformation 12】基于深度学习的分子性质预测算法研究及应用
zzqingyun的博客
03-22 2720
🌞欢迎来到AI+生物医学的世界🌟本文由卿云阁原创！🌠本阶段属于练气阶段，希望各位仙友顺利完成突破📆首发时间：🌹2024年3月21日🌹✉️希望可以和大家一起完成进阶之路！🙏作者水平很有限，如果发现错误，请留言轰炸哦！
Traceback (most recent call last): File "D:\bioinformation\AutoDock\mgltools\lib\site-packages\ViewerFramework\VF.py", line 941, in tryto result = command( *args, **kw ) File "D:\bioinformation\AutoDock\mgltools\lib\site-packages\AutoDockTools\autostartCommands.py", line 964, in doit ps = subprocess.Popen(args) File "D:\bioinformation\AutoDock\mgltools\lib\subprocess.py", line 710, in __init__ errread, errwrite) File "D:\bioinformation\AutoDock\mgltools\lib\subprocess.py", line 958, in _execute_child startupinfo) WindowsError: [Error 2]
03-09
同时，根据引用[3]提到的处理子进程的方法，如果用户需要处理子进程的终止问题，可能需要使用preexec_fn参数和进程组来确保正确终止，但这可能与当前的错误关系不大，可以暂时忽略。 总结下来，解决步骤应该是： 1...
论文解读：《CoaDTI：基于多模态共同注意的药物-靶标相互作用注释框架》
ZGY9542的博客
11-20 1926
DTI的鉴定对于计算机药物发现起着至关重要的作用，其中药物是化学分子，目标是binding pockets中的蛋白质残基。作者基于端到端的深度学习框架开发了一个名为 CoaDTI 的方法，用来提高药物靶标注释的效率和可解释性。 CoaDTI 结合了共同注意机制模拟来自药物模态和蛋白质模态的相互作用信息。特别的，CoaDTI 结合了 transformer 从原始氨基酸序列中学习蛋白质表示，并结合了 GraphSAGE 从 SMILES 中提取分子图特征。
AI驱动的靶点发现综述
白景屹的博客
08-05 1704
AI驱动靶点识别
【化学信息学】药物靶标的主要类型和结构特征
小哲的博客
10-25 3462
药物发挥药效，需要与生物体内具有特定功能的生物大分子结合，这个生物大分子就是药物靶标。药物可作用的靶标绝大多数是蛋白质，少量为核酸和糖。那么，它们有什么样的结构特征呢？
【文献阅读】DoubleSG-DTA: 深度学习药物挖掘：关于携带EGFR T790M突变的非小细胞肺癌的案例研究
imqyt的博客
02-17 1010
通过深度学习方法预测药物分子-靶标蛋白亲和力，从天然产物中筛选药物
使用 Ollama 本地运行各种 LLM
python123456_的博客
05-31 1257
今天看看另外一个产品Ollama。Ollama 的安装非常简单，只需从官网（https://ollama.com/download）下载后解压缩，并在 Terminal 中运行脚本即可完成环境设置。我尝试运行 Llama3，虽然在运行时占用了大量电脑资源，使得其他应用运行变慢，但整体体验尚可。Ollama 支持多种大型语言模型（https://ollama.com/library）。
生物信息(bioinformation)学名词解释
soyabean555999的博客
03-15 3301
什么是高通量测序？ 高通量测序技术（High-throughput sequencing，HTS）是对传统Sanger测序（称为一代测序技术）革命性的改变, 一次对几十万到几百万条核酸分子进行序列测定, 因此在有些文献中称其为下一代测序技术(next generation sequencing，NGS )足见其划时代的改变, 同时高通量测序使得对一个物种的转录组和基因组进行细致全貌的分析成为可能
生物信息学（高通量测序）名词
weixin_33785972的博客
02-20 1524
什么是高通量测序 高通量测序技术（High-throughput sequencing，HTS）是对传统Sanger测序（称为一代测序技术）革命性的改变, 一次对几十万到几百万条核酸分子进行序列测定, 因此在有些文献中称其为下一代测序技术(next generation sequencing，NGS )足见其划时代的改变, 同时高通量测序使得对一个物种的转录组和基因组进行细致全貌的分析...
Nat. Commun. | 识别药物靶点的贝叶斯机器学习方法
DrugAI
01-10 3005
作者 | 金淑婷单位 | 厦门大学研究方向 | 网络表示学习，药物发现今天给大家介绍的是2019年11月发表在Nature Communications的一篇文章，“A Bayesian...
Bioinformatics|基于知识图谱嵌入的药物靶标发现
DrugAI
10-01 4385
新中国成立70周年National Day of the People's Republic of China 1.研究背景药物靶点的预测对于早期药物分子的成药性评价和老药新...
提升CSDN文章在AI大模型的RAG搜索中引用率的综合策略分析,以“微学AI“为例
最新发布
微学AI的博客
08-01 113
随着大型语言模型（LLM）与检索增强生成RAG技术的普及，AI驱动的搜索与问答正在成为获取技术信息的核心渠道。对于像“微学AI”这样的CSDN技术博主而言，其文章能否被这些AI系统有效检索和引用，直接关系到其知识传播的广度、个人品牌的影响力以及潜在的技术领导力。本报告深入剖析了RAG系统的工作原理，并结合传统的搜索引擎优化（SEO）与新兴的AI内容优化策略，为CSDN博主提出一套系统性的、可操作的优化方案。报告的核心观点是，创作者需要从“为人类读者写作”进化到“为人类与AI双重读者写作”.
评论
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

打赏作者

卿云阁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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