新型药物重新定位方法的网络构建与应用研究 背景 在COVID-19大流行期间，研究人员和制药公司致力于开发治疗和疫苗。药物重新定位由于捷径被认为是快速有效的应对策略。药物重新定位试图发现已批准药物的新用途，被认为比传统药物发现路径更廉价且更迅速[1–3]。例如，瑞德西韦和地塞米松就是两种成功的重新定位药物[4–6]。虽然全球疫情逐渐转向地方性阶段，病毒传播仍在继续。快速发现候选药物并提供给医学或制药领域的专家进行研究的重要性已被COVID-19大流行深刻地提醒了我们[7]。 随着生物学机制的进步和生物医学知识的收集，更准确和精确的基于计算的药物重新定位成为可能。网络药物学（network medicine）通过观察生物实体（如药物、基因和疾病）之间的复杂关系，提供候选药物[8–11]。但在新...

基于分层负采样的图对比学习用于药物-疾病关联预测的研究 针对药物-疾病关联（RDAs）的预测在揭示疾病治疗策略和促进药物重新定位方面起着至关重要的作用。然而，现有的方法在预测药物和疾病之间的候选关联时，主要依赖于有限的领域特定知识，因而效果受限。此外，将药物-疾病关系的未知信息简单地定义为负样本存在固有不足。为克服这些挑战，本文提出了一种新的基于分层负采样的图对比模型，称为HSGCL-RDA，该模型旨在预测药物和疾病之间的潜在关联。 研究背景与研究问题 药物开发与疾病进展控制过程漫长且昂贵，而随着疾病数量及其变异的不断增加，对有效药物的需求也在增长。全球性疾病爆发（如新冠肺炎）对现有药物的治疗提出了极大挑战，迫切需要快速开发新的治疗药物。研究现有药物的新用途涉及许多挑战。现有的算法模型虽然在...

医学包推荐系统研究：基于双层次交互意识的异构图神经网络 随着电子健康记录（electronic health records, EHRs）在医疗领域中的广泛应用，如何从中挖掘潜在的、有价值的医学知识来支持临床决策，成为深度学习技术的重要研究方向之一。个性化医学包推荐是这一领域的重要任务之一，其目标是利用大量医疗记录帮助医生为每位患者选择更安全、有效的药物包。然而，现有的医学包推荐方法主要将任务建模为多标签分类或序列生成问题，主要关注的是个体药物与其他医学实体之间的关系，却普遍忽视了药物包与其他医学实体之间的交互，从而可能导致推荐的药物包不完整。此外，现有方法所考虑的医学常识知识相对有限，使得深入研究医生的决策过程变得非常困难。 来源概述 本文由山东大学软件学院的研究人员Fanglin Zhu...

从事早期药物发现的科研人员面临着一个巨大挑战,即在大约10的60次方种可能的分子结构中寻找具有药理活性的候选分子。一种成功的解决方案是从较小的”片段”分子着手,这种策略被称为基于片段的药物设计(FBDD)。在FBDD过程中,首先需要利用计算机筛选出与目标蛋白口袋结合的片段,然后再将这些片段连接成单个化合物。连接片段时,需要考虑片段的几何构象以及蛋白质口袋的结构,以设计出高亲和力的潜在药物分子。 这篇论文介绍了一种名为DiffLinker的新型分子线酶(linker)设计方法。它是一种三维Equivariant Diffusion模型,能够给定任意数量的断开的片段,生成连接这些片段的线酶结构。与之前的基于自回归的方法不同,DiffLinker能一次性生成连接两个或更多片段的线酶,无需预先确定线...