机构名称：
¥ 2.0
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督的机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定的主要药物特性相关的药物群落。DrugBank 确认了这些群落中 59.52% 的药物的特性，26.98% 是我们使用 DDSN 方法重建的现有药物重新定位提示。其余 13.49% 的药物似乎与主要药理特性不符；因此，我们将它们视为药物再利用的提示。测试所有这些再利用提示所需的资源是相当可观的。因此，我们引入了一种基于中介度/度节点中心性的优先排序机制。通过使用中介度/度作为药物再利用潜力的指标，我们分别选择壬二酸和甲丙氨酯作为可能的抗肿瘤药和抗真菌药。最后，我们使用基于分子对接的测试程序进一步分析壬二酸和甲丙氨酯的再利用。
在基于目标的药物相似性网络中发现新的药物特性
主要关键词
相关文件推荐
