On separation of time scales in pharmacokinetics
一些作者对药代动力学的标准公式提出了许多批评。对这种批评的自然反应似乎是从守恒定律理论的观点来评论它。2011年给出了静脉给药的平衡方程的简单示例，并在文中给出了相应的血管外给药方程。原则上，这种方程允许人们以自洽的方式描述药物的给药、分布、代谢和消除的不同过程。此外，可以对非房室药代动力学的不同药代动力学参数进行建模，因此可以对Rosigno的批评进行评论。然而，为了实际的目的，需要近似的方法，特别是那些基于分离的时间尺度。本文介绍了这种方法，并讨论了其有效性。基本方程在下一章。最后的评论在正文的末尾。
2012-10-12 q-bio.QM
Pharmacokinetics and Molecular Docking studies of Plant-Derived Natural Compounds to Exploring Potential Anti-Alzheimer Activity
阿尔茨海默病（Alzheimer disease，AD）是痴呆的主要病因，约占痴呆病例的60%~ 80%.两个主要因素称为β淀粉样蛋白斑块和缠结是破坏和杀死神经细胞的主要嫌疑人。然而，氧化应激，在细胞中产生自由基的过程，被认为是促进其进展的程度，它可能负责在AD中观察到的认知和功能下降。到目前为止，市场上几乎没有FDA批准的药物用于治疗，但它们的胆碱能副作用、潜在的令人痛苦的毒性和AD病理学中有限的靶点限制了它们的使用。因此，寻找有效的抗AD药物是至关重要的。我们选择了45种具有抗氧化特性的植物源天然化合物，通过淬灭自由基或促进内源性抗氧化能力来减缓疾病进展。然而，我们进行了分子对接研究，以研究天然化合物和13种不同的抗阿尔茨海默病药物靶标之间的结合相互作用。采用三种已知胆碱酯酶抑制剂（多奈哌齐、加兰他敏和卡巴拉汀）作为天然化合物的参比药物，进行比较和药物相似性研究。这些化合物除了抗氧化活性外，很少有表现出良好的抑制活性。这些化合物中的大多数遵循药代动力学特性，使它们成为治疗阿尔茨海默病的潜在有前途的候选药物。
2017-07-19 q-bio.QM
Developing a Knowledge Graph Framework for Pharmacokinetic Natural Product-Drug Interactions
University of Pittsburgh（匹兹堡大学）；Columbia University（哥伦比亚大学）；Washington State University（华盛顿州立大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本研究构建了融合生物医学本体、关联数据与文献全文的异质知识图谱框架NP-KG，用于药代动力学天然产物-药物相互作用的计算发现，经案例验证其信息与文献一致性良好，可辅助相关研究开展。
2022-09-24 cs.AI q-bio.QM
Investigation of Fractional Compartmental Models with Application to Amiodarone Drug Diffusion in Pharmacokinetics
本研究构建三种分数阶药代动力学房室模型，采用分数阶有限差分法求解，通过胺碘酮数据集验证，发现分数阶模型更适合描述反常扩散，数值方法对复杂房室模型求解效率稳定。
2023-06-13 cs.NA math.NA q-bio.QM
Pharmacokinetic/Pharmacodynamic Anesthesia Model Incorporating psi-Caputo Fractional Derivatives
提出一种融合ψ-Caputo分数阶导数的PK/PD麻醉诱导模型，通过Picard迭代求解非齐次系统，数值分析表明ψ函数和分数阶对个体化药物反应建模至关重要，为精准麻醉给药奠定基础。
2023-11-09 math.OC q-bio.QM
Physical formula enhanced multi-task learning for pharmacokinetics prediction
Zhejiang University（浙江大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；Zhejiang Lab（之江实验室）
针对药代动力学数据稀缺问题，提出物理公式增强的多任务学习方法PEMAL，同时预测四个参数，降低数据需求并提升抗噪鲁棒性。
2024-04-16 cs.CE cs.LG q-bio.QM
PopED lite: an optimal design software for preclinical pharmacokinetic and pharmacodynamic studies
最优实验设计方法很少用于临床前药物发现。这种缺乏使用的主要原因是，现有的软件工具需要相对较高的洞察力，在优化设计理论，在体内实验的设计-执行周期短，使耗时的优化不可行。我们提出了公开可用的软件PopED建兴，以增加使用的最佳设计在临床前药物发现。PopED lite的设计简单、快速、直观。简单，让许多用户访问基本的优化设计计算。快速，以适应较短的设计执行周期，并允许交互式实验设计（测试一个设计，讨论建议的设计，测试另一个设计等）。直观，使输入和输出的软件可以很容易地理解用户没有知识的优化设计理论。这样，PopED lite在实践中非常有用，并补充了现有的工具。PopED lite的关键功能通过来自真实药物发现项目的三个案例研究来证明。
2015-05-25 q-bio.QM stat.AP
TumorPred: A Computational Framework Implemented via an R/Shiny Web Application for Parameter Estimation and Sensitivity Analysis in Compartmental Brain Modeling
Karmanos Cancer Institute, School of Medicine, Wayne State University（韦恩州立大学医学院卡马诺斯癌症研究所）；Department of Mathematics and Statistics, Northern Kentucky University（北肯塔基大学数学与统计系）
TumorPred通过R/Shiny网页应用提供四室脑模型的参数估计和敏感性分析，用于优化脑肿瘤药物治疗策略。
2026-03-01 math.DS q-bio.QM
Bayesian dose-regimen assessment in early phase oncology incorporating pharmacokinetics and pharmacodynamics
肿瘤学的I期剂量探索试验旨在确定特定时间表下药物的最大耐受剂量（MTD）。评价药物时间表的目的是在保持疗效的同时提高治疗安全性。然而，虽然我们可以合理地假设毒性随着细胞毒性药物剂量的增加而增加，但毒性与多种方案之间的关系仍然难以捉摸。我们提出了一种贝叶斯剂量方案评估方法（DRtox），使用药代动力学/药效学（PK/PD）信息来估计最大耐受剂量方案（MTD方案），在试验的剂量递增阶段结束时推荐用于下一阶段。我们通过PD终点对二元毒性进行建模，并通过剂量-方案PD模型和PD毒性模型的整合来估计剂量-方案毒性关系。对于剂量方案PD模型，我们考虑了非线性混合效应模型，对于PD毒性模型，我们提出了以下两种贝叶斯方法：logistic模型和分层模型。我们通过各种情景下的模拟研究评估了DRtox的运行特性。结果表明，我们的方法优于传统的基于模型的设计，表现出更高的百分比正确选择MTD方案。此外，在DRtox中纳入PK/PD信息有助于为整个剂量-方案毒性曲线提供更精确的估计值;因此，DRtox可能会为扩展队列推荐替代的未经测试的方案。一旦收集到所有毒性和PK/PD数据，应在正在进行的复发性或难治性急性髓性白血病患者试验（NCT 03594955）的剂量递增阶段结束时应用DRtox。
2020-11-23 q-bio.QM stat.ME
Designing drug regimens that mitigate nonadherence
药物依从性是慢性病药物治疗的一个众所周知的问题。理解不依从性如何影响治疗效果是困难的，因为临床试验的伦理学迫使患者跳过正在测试的药物剂量，实际患者错过剂量的不可预测的时间，以及许多竞争性变量可以减轻或放大不依从性的有害影响，如药代动力学吸收和消除率，给药间隔，剂量大小，依从率，本文建立并分析了一个不完全粘附病人体内药物浓度的数学模型。我们的模型采用具有一级吸收和消除的标准单室药代动力学模型的形式，不同之处在于患者仅在规定的给药时间的给定比例下服药。剂量是随机遗漏的，我们使用随机分析来研究体内产生的随机药物水平。然后，我们使用我们的数学结果，提出设计药物方案，是强大的不遵守原则。特别是，我们量化了缓释药物对非依从性的弹性，这在某些情况下是非常重要的，并且我们显示了如果药物吸收或消除速率与给药间隔相比缓慢，则在错过剂量后服用双倍剂量的益处。我们进一步使用我们的结果来比较一些抗癫痫和抗精神病药物治疗方案。
2021-12-27 math.PR q-bio.QM
Synthetic Data from Diffusion Models Improve Drug Discovery Prediction
University of Waterloo（滑铁卢大学）；School of Public Health Sciences（公共卫生科学学院）
针对药物发现数据集彼此独立、重叠少导致的数据稀疏问题，提出扩散GNN模型Syngand端到端生成配体与药代动力学合成数据，并在多个基准的下游回归任务中验证其有效性。
2024-05-06 cs.AI cs.LG q-bio.QM
Searching inhibitors for three important proteins of COVID-19 through molecular docking studies
缺乏应对COVID-19的推荐药物或疫苗是此次大流行的主要问题。针对类似健康问题批准的药物、临床试验中的药物以及药用植物提取物中的分子进行随机调查，以应对COVID-19感染。分子对接是实时搜索治疗有效药物/分子的最佳方法之一，有望应用于COVID-19。在这次交流中，18个配体与SARS-CoV-2的三个治疗靶蛋白进行了分子对接研究，即，RNA依赖性RNA聚合酶（RdRp）、血管紧张素转换酶2（ACE 2）和刺突糖蛋白（SGp）。所获得的结果表明，与药物扑热息痛和羟氯喹相比，植物化学物质显示出更好的dock评分。结合码头评分和药用特性，我们认为可以进一步探索基于萜类化合物的植物化学物质柠檬苦素和东莨菪碱酸B用于对抗COVID-19的潜在用途。
2020-07-29 q-bio.BM q-bio.QM
Predicting tacrolimus exposure in kidney transplanted patients using machine learning
SimulaMet；Oslo Metropolitan University（奥斯陆城市大学）；Norwegian University of Science and Technology（挪威科技大学）；Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）；UiT The Arctic University of Norway（挪威北极大学）
他克莫司是全球大多数移植中心实体器官移植后的基础免疫抑制药物之一。他克莫司的治疗药物监测是必要的，以避免移植器官的排斥反应或严重的副作用。然而，即使对于有经验的临床医生来说，为给定的患者找到正确的剂量也是具有挑战性的。因此，一种能够准确估计个体剂量调整的药物暴露量的工具将具有很高的临床价值。在这项工作中，我们提出了一种新的技术，使用机器学习来估计他克莫司暴露在肾移植受者。我们的模型实现了与已建立的群体药代动力学模型相同水平的预测误差，但开发速度更快，对药物药代动力学特性的了解更少。
2022-05-09 cs.AI cs.LG q-bio.QM
GPU-Accelerated Drug Discovery with Docking on the Summit Supercomputer: Porting, Optimization, and Application to COVID-19 Research
蛋白质-配体对接是一种计算机模拟工具，用于在药物发现活动中筛选潜在药物化合物与给定蛋白质受体结合的能力。实验药物筛选是昂贵且耗时的，并且期望以高通量方式进行大规模对接计算以缩小实验搜索空间。现有的计算对接工具中很少有在设计时考虑到高性能计算。因此，优化以最大限度地利用领先级计算设施处可用的高性能计算资源，使得这些设施能够用于药物发现。在这里，我们介绍了AutoDock-GPU程序在Summit超级计算机上的移植、优化和验证，以及它在初始化合物筛选工作中的应用，以靶向导致当前COVID-19大流行的SARS-CoV-2病毒蛋白。
2020-07-06 q-bio.BM q-bio.QM
A Deep Neural Network -- Mechanistic Hybrid Model to Predict Pharmacokinetics in Rat
Bayer AG（拜耳公司）
本文提出一种改进的深度神经网络与机制混合模型，通过更大数据集和优化架构预测大鼠药代动力学，降低了口服和静脉注射暴露误差，并能处理协变量及预测未经训练的新终点。
2024-01-02 cs.CE cs.LG q-bio.BM
CMINNs: Compartment Model Informed Neural Networks -- Unlocking Drug Dynamics
Brown University（布朗大学）
提出结合分数阶微积分与时变参数的房室模型知情神经网络（CMINNs），通过PINN和fPINNs将ODE与神经网络集成，在仅两个方程的系统中精准刻画药物吸收、反常扩散及耐药性等动力学。
2024-09-19 cs.LG q-bio.QM
SynCell: Contextualized Drug Synergy Prediction
University of Glasgow（格拉斯哥大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Neurosurgery, Brigham and Women’s Hospital（布莱根和妇女医院神经外科）；University of New South Wales（新南威尔士大学）；Illinois Institute of Technology（伊利诺伊理工学院）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Harvard Medical School（哈佛医学院）
SynCell通过整合药物-蛋白、蛋白-蛋白及蛋白-细胞系关系，构建统一图架构，利用细胞特异性PPI网络嵌入分子上下文，提升药物协同效应预测的准确性和生物可解释性。
2026-03-23 q-bio.QM
Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modeling
Genentech, Inc.（基因泰克公司）；University of Michigan（密歇根大学）
目前使用药代动力学/药效学（PK/PD）方法进行治疗剂给药后患者响应时间过程的纵向分析，这需要大量的人类经验和动力学系统建模方面的专业知识。通过利用深度学习的最新进展，我们表明可以直接从纵向患者数据中学习控制微分方程。特别是，我们提出了一种新的神经PK/PD框架，结合关键药理学原理与神经常微分方程。我们将其应用于由600多名患者组成的临床数据集的药物浓度和血小板反应的分析。我们表明，神经PK/PD模型改善了最先进的模型，时间预测的指标。此外，通过将关键PK/PD概念纳入其架构，该模型可以概括并模拟患者对未经测试的给药方案的反应。这些结果证明了神经PK/PD用于患者响应时间过程的自动预测分析的潜力。
2020-10-22 cs.LG q-bio.QM
Pharmacometrics Modeling via Physics-Informed Neural Networks: Integrating Time-Variant Absorption Rates and Fractional Calculus for Enhancing Prediction Accuracy
本文提出一种结合时变吸收速率和分数阶微积分的物理信息神经网络药动学建模方法，以更准确地刻画药物吸收动态和延迟反应，提升个性化治疗中的预测精度。
2024-12-30 q-bio.QM
Predicting the Risk of Ischemic Stroke in Patients with Atrial Fibrillation using Heterogeneous Drug-protein-disease Network-based Deep Learning
研究提出深度学习模型ABioSPATH，通过整合药物-蛋白质-疾病多层网络与真实世界电子病历数据，预测心房颤动患者的一年缺血性脑卒中风险，在多医院数据上超越基线并提供分子级临床见解。
2024-08-26 q-bio.QM
DeepConv-DTI: Prediction of drug-target interactions via deep learning with convolution on protein sequences
School of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology（光州科学技术院电气与计算机工程学院）
药物-靶点相互作用（DTI）的识别在药物发现中起着关键作用。体外和体内实验的高成本和劳动密集型性质突出了基于计算机的DTI预测方法的重要性。在几个计算模型中，传统的蛋白质描述符被证明是不够的信息，以预测准确的DTI。因此，在这项研究中，我们采用卷积神经网络（CNN）的原始蛋白质序列捕获本地残基模式参与DTI。在蛋白质序列上使用CNN，我们的模型比以前的基于蛋白质标记的模型表现得更好。此外，我们的模型在大规模预测DTI方面的表现优于之前的深度学习模型。通过检查合并的卷积结果，我们发现我们的模型可以检测蛋白质的结合位点的DTI。总之，我们的预测模型用于检测目标蛋白的局部残基模式成功地丰富了原始蛋白质序列的蛋白质特征，产生比以前的方法更好的预测结果。
2018-11-06 cs.LG q-bio.QM
MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning
Harvard University（哈佛大学）；Georgia Institute of Technology（佐治亚理工学院）；Gradio；IQVIA；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
药物的疗效取决于其对治疗靶点的结合亲和力和药代动力学。深度学习（DL）在预测药物疗效方面取得了显着进展。我们开发了MolDesigner，一个人在回路的网络用户界面（UI），以帮助药物开发人员利用DL预测来设计更有效的药物。开发人员可以在界面上绘制药物分子。在后端，超过17个最先进的DL模型生成对药物疗效至关重要的重要指标的预测。基于这些预测，药物开发人员可以编辑药物分子并重复直到满意。MolDesigner可以实时进行预测，延迟不到一秒。
2020-10-05 cs.HC cs.LG q-bio.QM
BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions
SenseTime Research（商汤科技研究院）；School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）；Qing yuan Research Institute, Shanghai Jiao Tong University（上海交通大学清源研究院）
动机：探索药物-蛋白质相互作用（DPI）是药物发现的关键步骤。可用生物数据的快速扩展使得计算方法能够有效地辅助实验方法。其中，深度学习方法只从基本特征中提取特征，如蛋白质序列、分子结构等。其他人通过不仅从序列/分子，而且从蛋白质-蛋白质和药物-药物关联（PPA和DDA）中学习来实现显着改善。PPA和DDA通常通过使用计算方法获得。然而，现有的计算方法有一定的局限性，导致低质量的PPA和DDA，阻碍了预测性能。因此，我们希望开发一种新的监督学习方法来有效地学习PPA和DDA，从而提高DPI特定任务的预测性能。结果：在这项研究中，我们提出了一种新的深度学习框架，即BridgeDPI。BridgeDPI引入了一类名为超节点的节点，它们将不同的蛋白质/药物连接起来，作为PPA和DDA。由于整个过程是端到端的学习，因此可以针对DPI的特定任务监督学习超节点。因此，这样的模型将提高DPI的预测性能。在三个真实世界的数据集中，我们进一步证明了BridgeDPI优于最先进的方法。此外，消融研究验证了超节点的有效性。最后，在一项独立的验证中，BridgeDPI探索了COVID-19蛋白质与各种抗病毒药物之间的候选结合。预测结果符合世界卫生组织和美国食品药品监督管理局的声明，表明BridgeDPI的有效性和可靠性。
2021-01-29 cs.LG cs.SI q-bio.QM
The Clinical Trials Puzzle: How Network Effects Limit Drug Discovery
后基因组医学提供的知识深度带来了新药和多种疾病治疗的希望。为了探索这种能力实现的程度，我们从40年来的356，403项临床试验中提取了元数据，旨在为药物发现的创新实践提供机制见解。我们发现传统在创新中占主导地位，因为超过96%的记录试验集中在以前测试的药物靶点上，而测试药物仅针对12%的人类相互作用组。如果目前的模式持续下去，将需要170年才能靶向所有可药用蛋白质。我们发现了两个基于网络的基本机制，目前限制了目标的发现：优先连接，导致重复探索以前的目标蛋白质;和本地网络效应，限制探索与高度探索的蛋白质相互作用的蛋白质。我们建立在这些见解，以开发一个定量的基于网络的药物发现模型。我们证明，该模型能够准确地重建在临床试验中观察到的探索模式。最重要的是，我们表明，基于网络的搜索策略，可以扩大范围的药物发现，引导探索新的蛋白质，在人类相互作用组的探索区域的一部分。
2023-01-25 cs.SI q-bio.QM
PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps
University of California Los Angeles（加利福尼亚大学洛杉矶分校）
本研究提出PGraphDTA方法，通过整合蛋白质语言模型和接触图信息作为归纳偏置，改进药物靶点相互作用预测，显著优于基线模型，有望加速药物发现过程。
2024-02-11 cs.LG q-bio.QM
Systematic external evaluation of published population pharmacokinetic models for tacrolimus in adult liver transplant recipients
背景：在过去的二十年中，已经建立了多种他克莫司在成人肝移植受者中的群体药代动力学模型来描述他克莫司的PK特征。然而，他们的外推预测性能仍然不清楚，因此，在这项研究中，我们的目的是评估他们的外部可预测性，并确定其潜在的影响因素。方法：使用从华山医院前瞻性收集的84例患者的572个谷浓度的独立数据集，评价每个选定popPK模型的外部可预测性。进行基于预测和模拟的诊断和贝叶斯预测，以评估模型的可预测性。此外，模型结构对预测performance.Results的影响进行了调查：16个已发表的popPK模型进行了评估。在基于预测的诊断中，在所有已发表的模型中，预测误差在30%以内，低于50%。基于模拟的归一化预测分布误差检验和可视化预测检验表明，大多数模型的观测值和模拟值之间存在较大差异。贝叶斯预测表明，改善模型的可预测性与两到三个事先观察。此外，非线性Michaelis Menten模型的预测性能优于线性房室模型，表明潜在的非线性动力学他克莫司在肝移植recipients.Conclusions：发表的模型进行不充分的预测和模拟为基础的诊断。贝叶斯预测可以提高模型的预测性能。此外，他克莫司的非线性动力学可能主要由药物本身的性质引起，并且可以考虑并入非线性动力学以提高模型的可预测性。
2019-11-29 q-bio.QM
Drug-target interaction prediction by integrating heterogeneous information with mutual attention network
提出 DrugMAN 模型，融合四个药物网络、七个基因/蛋白网络及互注意力机制学习交互表示，在四种场景下取得最佳药物-靶点预测性能。
2024-04-03 q-bio.QM
A Benchmarking Dataset with 2440 Organic Molecules for Volume Distribution at Steady State
工作背景：稳态分布容积（VDss）是药物的基本药代动力学（PK）性质，其测量药物分子在整个身体中分布的有效性。与清除率（CL）一起，它决定了半衰期，因此决定了药物给药间隔。然而，分子数据的大小限制了所报道的机器学习模型的推广性。目的：这项研究旨在为人类VDss提供一个干净而全面的数据集，作为基准数据源，促进和有益于未来的预测研究。此外，还利用机器学习回归算法建立了几个预测模型。研究方法：该数据集来自13个可公开访问的数据源和完全来自静脉注射药物管理的DrugBank数据库，然后进行了广泛的数据清理。用Mordred计算分子描述符，并进行特征选择以构建预测模型。使用五种机器学习方法来构建回归模型，使用网格搜索来优化超参数，并使用十重交叉验证来评估模型。结果：构建了一个包含2440个分子的VDss富集数据集（https：//github.com/da-wen-er/VDss）。在预测模型中，LightGBM模型最稳定，内部预测能力最好，Q2 = 0.837，R2=0.814，其他四个模型的Q2均大于0.79。结论：据我们所知，这是VDss的最大数据集，可用作VDss计算研究的基准。此外，本研究中报告的回归模型可用于药代动力学相关研究。
2022-11-10 physics.bio-ph physics.chem-ph q-bio.QM
GraphIX: Graph-based In silico XAI(explainable artificial intelligence) for drug repositioning from biopharmaceutical network
药物重新定位具有很大的前景，因为它可以减少新药开发的时间和成本。虽然药物重新定位可以省略各种研发过程，但确认对生物分子的药理作用对于应用于新疾病至关重要。药物重新定位模型中的生物医学可解释性可以支持后续深入研究中的适当见解。然而，XAI方法的有效性仍在争论中，XAI在药物重新定位预测应用中的有效性仍不清楚。在这项研究中，我们提出了GraphIX，一个可解释的药物重新定位框架，使用生物网络，并定量评估其可解释性。GraphIX首先使用图神经网络从已知的药物适应症和知识图谱中学习网络权重和节点特征，知识图谱由三种类型的节点组成（但没有给出节点类型信息）：疾病，药物和蛋白质。对学习后特征的分析表明，通过基于图结构的学习过程，可以区分模型事先不知道的节点类型。根据学习的权重和特征，GraphIX然后预测疾病-药物关联，并计算位于预测疾病和药物附近的节点的贡献值。我们假设模型给出高贡献的邻近蛋白质节点在理解实际药理学作用方面是重要的。使用真实世界数据库对蛋白质节点贡献的有效性进行定量评估表明，GraphIX显示的高贡献蛋白质作为药物作用机制是合理的。GraphIX是一个循证药物发现框架，可以向用户展示新的疾病-药物关联，并从庞大而复杂的知识库中识别对理解其药理作用重要的蛋白质。
2022-12-27 cs.LG q-bio.QM
WideDTA: prediction of drug-target binding affinity
Bogazici University（博阿齐奇大学）
动机：预测蛋白质和化合物之间的相互作用亲和力是药物发现过程中的一个主要挑战。WideDTA是一种基于深度学习的预测模型，采用化学和生物文本序列信息来预测结合亲和力。结果如下：WideDTA使用四个基于文本的信息源，即蛋白质序列、配体SMILES、蛋白质结构域和基序以及最大共同子结构词来预测结合亲和力。WideDTA在KIBA数据集上的表现优于最先进的药物-靶标结合亲和力预测深度学习方法之一DeepDTA，具有统计学显著性。这表明WideDTA采用的基于单词的序列表示是深度学习模型中基于字符的序列表示方法的一种有前途的替代方法，用于结合亲和力预测，例如DeepDTA中使用的方法。此外，结果表明，给定蛋白质序列和配体SMILES，包含蛋白质结构域和基序信息以及配体最大共同子结构词并不能为深度学习模型提供额外的有用信息。然而，有趣的是，仅使用结构域和基序信息来表示蛋白质获得了与使用完整蛋白质序列相似的性能，这表明重要的结合相关信息包含在蛋白质基序和结构域中。
2019-02-04 cs.LG q-bio.QM stat.ML
Relational graph convolutional networks for predicting blood-brain barrier penetration of drug molecules
The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）
评价药物分子的血脑屏障（BBB）通透性是脑药物开发的关键步骤。传统的评价方法需要复杂的体外或体内测试。或者，基于机器学习的计算机预测已被证明是补充体外和体内方法的具有成本效益的方法。然而，所建立的模型的性能受到限制，他们无法处理药物和蛋白质之间的相互作用，这在BBB穿透行为背后的机制中起着重要作用。为了解决这一限制，我们采用了关系图卷积网络（RGCN）来处理药物-蛋白质相互作用以及每种药物的性质。RGCN模型的总体准确度为0.872，AUROC为0.919，AUPRC为0.838，用于药物-蛋白质相互作用和Mordred描述符作为输入的测试数据集。引入药物-药物相似性来连接数据图中结构相似的药物进一步改善了测试结果，总体准确度为0.876，AUROC为0.926，AUPRC为0.865。特别是，RGCN模型被发现大大优于LightGBM基础模型时，与药物的BBB渗透依赖于药物-蛋白质相互作用进行评估。我们的模型有望提供高置信度的预测血脑屏障渗透性的药物优先级在实验筛选血脑屏障穿透药物。
2022-04-06 cs.LG q-bio.QM
GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU
Hunan Normal University（湖南师范大学）
预测药物和靶点亲和力（DTA）的工作对于药物开发和再利用至关重要。在这项工作中，我们提出了一种称为GDGRU-DTA的新方法来预测药物与靶标之间的结合亲和力，该方法基于GraphDTA，但我们认为蛋白质序列是长序列，因此简单的CNN不能很好地捕获蛋白质序列中的上下文依赖性。因此，我们通过将蛋白质序列解释为时间序列并使用门递归单元（GRU）和双向门递归单元（BiGRU）提取其特征来改进它。对于药物，我们的处理方法与GraphDTA类似，但使用了两种不同的图形卷积方法。随后，药物和蛋白质的表示被连接起来用于最终预测。我们在两个基准数据集上评估了所提出的模型。我们的模型优于一些最先进的深度学习方法，结果证明了我们模型的可行性和出色的特征捕获能力。
2022-04-25 cs.AI cs.LG q-bio.QM
Machine Learning Scoring Functions for Drug Discoveries from Experimental and Computer-Generated Protein-Ligand Structures: Towards Per-Target Scoring Functions
近年来，机器学习已被提出作为一种有前途的策略，以建立精确的评分函数，用于最终实现数字授权的药物发现的计算对接。然而，最新的研究表明，由于用于训练和测试的实验数据库中存在的相关性，报告了过于乐观的结果。在这里，我们调查的人工神经网络的性能在结合亲和力预测，比较使用实验蛋白质配体结构以及更大的计算机生成的结构使用商业软件创建的集所获得的结果。有趣的是，在两个数据库上获得了相似的性能。当从随机水平测试转移到对训练数据中不包括的目标蛋白进行垂直测试时，我们发现了明显的性能抑制。在相对容易创建的计算机生成的数据库上训练网络的可能性使我们探索每个目标的评分函数，在仅包括一个目标蛋白的复合物上训练和测试。根据所处理的蛋白质类型，获得了令人鼓舞的结果。
2023-02-15 cond-mat.dis-nn physics.chem-ph q-bio.QM
Deep Graph Convolutional Network and LSTM based approach for predicting drug-target binding affinity
Indian Association for the Cultivation of Science（印度科学培育协会）
开发新药是一个昂贵而耗时的过程。由于SARS-CoV-2在全球范围内的爆发，必须尽快开发针对SARS-CoV-2的新药。药物再利用技术可以通过探测现有FDA批准的药物及其特性来减少开发新药所需的时间跨度，以将其重新用于对抗新疾病。我们提出了一种新的架构DeepGLSTM，这是一种基于图卷积网络和LSTM的方法，可以预测FDA批准的药物与SARS-CoV-2病毒蛋白之间的结合亲和力值。我们提出的模型已经在Davis，KIBA（激酶抑制剂生物活性），DTC（药物靶点共享），Metz，ToxCast和STITCH数据集上进行了训练。我们使用我们的新架构来预测2，304种FDA批准的药物对5种病毒蛋白的综合评分（使用Davis和KIBA评分计算）。根据综合评分，我们列出了对SARS-CoV-2中存在的5种病毒蛋白具有最高结合亲和力的前18种药物。随后，该清单可用于创造新的有用药物。
2022-01-18 cs.LG q-bio.QM
StateXDiff: Cell State-Contextualized Multimodal Diffusion for Single-Cell Perturbation Prediction
College of Future Technology（未来技术学院）；College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）；Department of Clinical Neurosciences, University of Cambridge（剑桥大学临床神经科学系）
StateXDiff通过整合转录组与蛋白质特征，构建多模态细胞状态表示，并利用条件扩散模型生成药物扰动特异性变化，提升单细胞扰动预测的泛化能力。
2026-05-15 q-bio.GN q-bio.QM
Machine-Learning Driven Drug Repurposing for COVID-19
Zetane Systems
将机器学习方法整合到生物信息学中提供了特别的益处，即识别在一种情况下有效的治疗方法如何在未知的临床情况下或针对新的病理学具有效用。我们的目标是发现潜在的关联病毒蛋白质和抗病毒治疗是有效的，对他们采用神经网络模型。使用国家生物技术信息中心病毒蛋白数据库和DrugVirus数据库，该数据库提供了广谱抗病毒剂（BSAA）及其抑制病毒的综合报告，我们以病毒蛋白序列作为输入，以被认为对人类安全的抗病毒剂作为输出，训练了ANN模型。模型训练排除了SARS-CoV-2蛋白，仅包括II、III、IV期和批准水平的药物。使用SARS-CoV-2（导致COVID-19的冠状病毒）的序列作为训练模型的输入，产生了用于治疗COVID-19的初步安全的人体抗病毒候选物的输出。我们的研究结果提示了多种候选药物，其中一些补充了最近值得注意的临床研究结果。我们的药物再利用的计算机模拟方法在确定新的候选药物和其他病毒的治疗方法方面有希望。
2020-06-25 cs.LG q-bio.QM stat.ML
CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models
IBM Research（IBM研究院）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research Europe（IBM欧洲研究院）
SARS-CoV-2的新性质要求开发有效的从头药物设计方法。在这项研究中，我们提出了一个端到端的框架，名为CogMol（受控分子生成），用于设计新的药物样小分子，以高亲和力和脱靶选择性靶向新型病毒蛋白。CogMol结合了分子SMILES变分自编码器（VAE）的自适应预训练和高效的多属性受控采样方案，该方案使用来自在潜在特征上训练的属性预测器的指导。为了为看不见的病毒靶点生成新型和最佳的药物样分子，CogMol利用蛋白质-分子结合亲和力预测器，该预测器使用SMILES VAE嵌入和从大型语料库中无监督学习的蛋白质序列嵌入进行训练。将CogMol框架应用于三种SARS-CoV-2靶蛋白：主蛋白酶、刺突蛋白的受体结合结构域和非结构蛋白9复制酶。当与训练数据相比时，所产生的候选物在分子和化学支架水平上都是新颖的。CogMol还包括用多任务毒性分类器评估母体分子及其代谢物毒性的计算机筛选、用化学逆合成预测器评估合成可行性以及用对接模拟评估靶结构结合。对接揭示了所产生的分子与靶蛋白结构的有利结合，其中87- 95%的高亲和力分子显示出<-6kcal/mol的对接自由能。与批准的药物相比，大多数设计的化合物显示出低的母体分子和代谢物毒性和高的合成可行性。总之，CogMol处理具有高靶标特异性和选择性的可合成、低毒、药物样分子的多约束设计，并且不需要对框架或靶标结构信息进行靶标依赖性微调。
2020-06-24 cs.LG q-bio.QM stat.ML
AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands
Northeastern University（东北大学）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）；University of California, San Diego（加州大学圣地亚哥分校）；Central European University（中欧大学）
新的药物-靶点相互作用（DTI）是药物发现的关键和限速步骤。虽然已经提出了深度学习模型来加速识别过程，但我们表明，最先进的模型无法推广到新的（即，从未见过的结构。我们首先揭示了造成这一缺陷的机制，展示了模型如何依赖于利用蛋白质-配体二分网络拓扑结构的捷径，而不是学习节点特征。然后，我们介绍了AI-Bind，这是一个将基于网络的采样策略与无监督预训练相结合的管道，使我们能够限制注释不平衡并改善新蛋白质和配体的结合预测。我们通过预测药物和天然化合物与SARS-CoV-2病毒蛋白和相关人类蛋白的结合亲和力来说明AI-Bind的价值。我们还通过对接模拟和与最近的实验证据的比较来验证这些预测，并通过识别氨基酸序列上的潜在活性结合位点来加强解释蛋白质-配体结合的机器学习预测的过程。总的来说，AI-Bind提供了一种强大的高通量方法来识别药物-靶标组合，有可能成为药物发现的有力工具。
2022-11-09 cs.LG q-bio.QM
A latent variable approach to account for correlated inputs in global sensitivity analysis with cases from pharmacological systems modelling
在与候选药物选择、疗效和安全性相关的药物研发决策中，通常通过建模和模拟（M\&S）来支持。其中，基于生理学的药代动力学模型用于描述药物在人体内的吸收、分布和代谢。全球敏感性分析（GSA）越来越多的兴趣在药理M\&S社区作为一个重要的元素，基于模型的推理质量评估。生理模型通常呈现相互关联的参数。GSA和敏感性指数解释中包含的相关因素已被证明是这些模型的一个问题。在这里，我们设计和评估的潜变量的方法来处理GSA中的相关因素。该方法通过三个独立因素的因果关系来描述两个模型输入之间的相关性：潜在变量和两个相关参数的唯一方差。然后，GSA与经典的基于方差的方法进行。我们应用潜变量方法的一组代数模型和一个案例，从生理为基础的药代动力学。然后，我们将我们的方法与Sobol的GSA（假设没有相关性）、Sobol的GSA（具有组）和Kucherenko方法进行了比较。相对容易的实施和解释，使这是一个简单的方法进行GSA的模型与相关的输入因素。
2020-12-04 q-bio.QM stat.AP
MIN: Multi-channel Interaction Network for Drug-Target Interaction with Protein Distillation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Microsoft Research（微软研究院）
本研究提出用于药物-靶点相互作用预测的多通道交互网络MIN，通过C-Score辅助残基筛选、三通道交互及对比学习提升性能，在公开数据集上表现优异且具备可解释性。
2024-11-23 cs.LG q-bio.QM
On drug transport after intravenous administration
给出了快速注射后药物输运的数学模型。它考虑了三个过程：-中央室中的药物血浆蛋白结合-中央室和外周室之间的转运过程-药物从中央室中消除。.
2011-08-29 q-bio.QM q-bio.TO
Uncovering Population PK Covariates from VAE-Generated Latent Spaces
Department of Cardiac, Thoracic, Vascular Sciences and Public Health, University of Padova（帕多瓦大学心脏、胸腔、血管科学与公共卫生系）；School of Engineering, London South Bank University（伦敦南岸大学工程学院）
本文提出VAE-LASSO框架，利用变分自编码器压缩PK信号并结合LASSO回归稀疏筛选，从模拟他克莫司数据中稳定识别SNP、年龄、白蛋白和血红蛋白等临床相关协变量，实现数据驱动的PopPK协变量选择。
2025-05-05 cs.LG q-bio.QM
SPLDExtraTrees: Robust machine learning approach for predicting kinase inhibitor resistance
Tencent Quantum Laboratory（腾讯量子实验室）；Tsinghua University（清华大学）
耐药性是对全球健康的主要威胁，也是贯穿疾病临床治疗和药物开发的重要问题。与药物结合相关的蛋白质突变是适应性耐药的常见原因。因此，定量评估突变如何影响药物与靶蛋白之间的相互作用对于药物开发和临床实践具有重要意义。依赖于分子动力学模拟、Rosetta协议以及机器学习方法的计算方法已被证明能够预测蛋白质突变后的配体亲和力变化。然而，严重有限的样本大小和严重的噪声引起的过拟合和泛化问题阻碍了机器学习在研究耐药性方面的广泛采用。在本文中，我们提出了一个强大的机器学习方法，称为SPLDExtraTrees，它可以准确地预测蛋白质突变后配体结合亲和力的变化，并识别耐药突变。特别是，所提出的方法按照特定的方案对训练数据进行排名，该方案从易于学习的样本开始，逐渐将更难和不同的样本纳入训练，然后在样本权重重新计算和模型更新之间进行迭代。此外，我们计算了额外的基于物理的结构特征，为机器学习模型提供了关于蛋白质的有价值的领域知识，用于这种数据有限的预测任务。实验证实了所提出的方法预测激酶抑制剂耐药的能力在三种情况下，并实现预测精度可比的分子动力学和Rosetta方法，计算成本少得多。
2022-01-14 cs.LG q-bio.QM
GastroDL-Fusion: A Dual-Modal Deep Learning Framework Integrating Protein-Ligand Complexes and Gene Sequences for Gastrointestinal Disease Drug Discovery
Technical University of Munich（慕尼黑工业大学）；University of Michigan（密歇根大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出GastroDL-Fusion双模态深度学习框架，融合蛋白质-配体复合物图结构与基因序列嵌入，在胃肠道疾病靶点上以MAE 1.12、RMSE 1.75显著提升结合亲和力预测性能。
2025-11-07 cs.LG q-bio.QM
GraPPI: A Retrieve-Divide-Solve GraphRAG Framework for Large-scale Protein-protein Interaction Exploration
UCLA（加利福尼亚大学洛杉矶分校）
针对药物发现中靶点识别的语义歧义、缺乏可解释性和检索单元短等局限，提出基于知识图谱的检索-分解-求解智能体框架 GraPPI，通过将 PPI 通路分析分解为子任务，支持大规模蛋白质相互作用信号通路探索。
2025-01-24 cs.AI cs.LG q-bio.QM
Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling
University of Southern California（美国南加州大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Connecticut（康涅狄格大学）
本文提出了一种多尺度的生理信息深度学习框架，结合变换器、扩散模型和神经相似性，用于提高下一代PBPK建模的效率和准确性。
2026-02-09 cs.AI cs.LG q-bio.QM
