XiaoMi-AI文件搜索系统
World File Search SystemDTI
MPSM-DTI：基于化学结构和蛋白质序列通过机器学习预测药物-靶标相互作用
卷积神经网络13证明了蛋白质序列可以在DTI预测中提供有用的信息。Mahmud等人开发了iDTi-CSsmoteB网络服务器，使用XGBoost和过采样技术，基于PubChem指纹和各种蛋白质序列特征预测DTI。14然而，上述方法的数据质量并不令人满意，因为阴性数据是任意选择的。其他几项研究也这样做了。15-17其中一些使用随机非阳性DTI作为阴性样本。然而，非阳性DTI并不一定是阴性的，因为它们还没有经过验证。其中一些在验证后可能是阳性的。因此，使用高质量数据构建预测模型具有重要意义。在本研究中，我们开发了一个机器学习模型，使用化学结构和蛋白质序列作为特征来预测DTI。采用流水线技术封装特征数据标准化、SMOTE采样过程和机器学习估计器，以避免过度拟合并提高模型泛化能力。整个工作流程如图1所示。简而言之，从各种来源收集了超过40 000个具有解离常数（kd）值的DTI。用PaDEL-Descriptor和RDKit计算五种分子指纹和描述符。通过PSI-Blast和POSSUM工具包提取蛋白质序列特征。用5种机器学习方法和6种特征表示方法建立了30个DTI预测模型，其中Morgan-PSSM-SVM模型（MPSM-DTI）被验证为最佳模型。在案例研究中，MPSM-DTI模型在DTI预测中表现出了令人满意的能力。
神经图像-Kalin Lab
白质（WM）发育的改变与许多神经精神病和神经发育障碍有关。大多数检查WM开发的MRI研究都采用了张量张量成像（DTI），该研究依赖于估计水分子的分化模式作为WM微结构的反射。定量弛豫计，一种表征WM微结构变化的替代方法，是基于与质子的磁性弛豫相关的分子传播。在一项生命第一年的34名婴儿非人类灵长类动物（NHP）（NHP）（NHP）（Macaca Mulatta）的纵向研究中，我们实施了一个新型的，高分辨率的，T1 T1加权的MPNRAGE序列，以检查与DTI的纵向宽松率（QR 1）相关的纵向松弛率（QR 1）的WM轨迹。据我们所知，这是第一项研究，旨在使用定量松弛计和第一个直接比较婴儿期DTI和弛豫指标的NHP中的发育WM轨迹。我们证明QR 1表现出强大的对数生长，以后方和中外侧的方式展开，类似于DTI指标。在受试者内级，DTI指标和QR 1高度相关，但很大程度上是在受试者间级别无关的。与DTI指标不同，出生时（子宫内的时间）胎龄是早期产后QR 1水平的有力预测指标。虽然在整个生命的第一年中都保持了DTI指标的单个差异，但QR 1并非如此。这些结果表明，在发育研究中使用定量弛豫计和DTI中的相似性和差异，为将来的研究提供了基础，以表征这些量度在细胞和分子水平上反映的独特过程。
使用 BERT 从整个 PubMed 中识别药物-靶标相互作用
摘要背景：药物-靶标相互作用 (DTI) 对于药物重新利用和阐明药物机制至关重要，它们收集在大型数据库中，例如 ChEMBL、BindingDB、DrugBank 和 DrugTargetCommons。然而，提供这些数据的研究数量（约 0.1 百万）可能仅占 PubMed 上包含实验性 DTI 数据的所有研究的一小部分。查找此类研究并提取实验信息是一项艰巨的任务，迫切需要机器学习来提取和管理 DTI。为此，我们开发了基于 Transformers 的双向编码器表示 (BERT) 算法的新型文本挖掘文档分类器。由于 DTI 数据与用于生成它的检测类型密切相关，因此我们还旨在合并函数来预测检测格式。结果：我们的新方法从以前未包含在公共 DTI 数据库中的 210 万项研究中识别和提取了 DTI。使用 10 倍交叉验证，我们获得了约 99% 的识别包含药物-靶标对的研究的准确率。检测格式预测的准确率约为 90%，这为未来的研究留下了改进的空间。结论：本研究中的 BERT 模型是稳健的，所提出的流程可用于识别包含 DTI 的新研究和以前被忽视的研究，并自动提取 DTI 数据点。表格输出有助于验证提取的数据和检测格式信息。总体而言，我们的方法在机器辅助 DTI 提取和管理方面取得了重大进步。我们希望它成为药物机制发现和再利用的有用补充。关键词：BERT、来自 Transformer 的双向编码器表示、用于生物医学数据的 BERT、药物靶标相互作用预测、挖掘药物靶标相互作用、生物医学文本挖掘、生物活性数据、药物再利用
肌萎缩性侧硬化症中的扩散张量成像
摘要：扩散张量成像（DTI）允许对病理白质变化的体内成像，既可以通过无偏的素voxel，也可以基于假设引导的区域分析。扩散指标的改变表明肌萎缩性侧索硬化症患者在个体水平上的脑状态。使用机器学习（ML）模型来分析复杂和高维神经影像学数据集，ALS中基于DTI的生物标志物的新机会。本综述旨在总结如何将基于DTI参数的不同ML模型用于监督诊断分类，并在ALS中使用无监督的方法提供个性化的患者分层。为了捕获整个神经病理学特征的频谱，DTI可能与其他模式相结合，例如ML模型中的结构T1W 3-D MRI。为了进一步提高ML在ALS中的功能并启用深度学习模型的应用，需要标准化的DTI协议和多中心协作来验证多模式DTI生物标志物。将ML模型应用于基于多模式DTI的多模式的数据集将对ALS患者的神经病理学特征进行详细评估，并可以在临床检查中使用的新型神经影像学生物标志物的发展。
EFMSDTI：基于多源数据有效融合的药物-靶标相互作用预测
准确识别药物靶标相互作用（DTI）对于理解药物治疗机制、发现治疗疾病的新药物具有重要意义。目前，结合药物和靶标多源数据的DTI预测计算方法可以有效降低药物研发的成本和时间。但在多源数据处理中，往往不考虑不同源数据对DTI的贡献，因此如何充分利用不同源数据对DTI预测的贡献进行有效融合是提高DTI预测精度的关键。本文考虑不同源数据对DTI预测的贡献，提出一种基于药物和靶标多源数据有效融合的DTI预测方法，即EFMSDTI。EFMSDTI首先基于多源信息网络构建15个相似度网络，根据药物和靶标的生物学特征将其分类为药物和靶标的拓扑和语义图。然后根据多网络对DTIs预测的贡献，采用基于相似性网络融合（SNF）的选择性和熵加权方法对多网络进行融合。深度神经网络模型学习药物和靶标的低维向量的嵌入。最后，采用基于梯度提升决策树（GBDT）的LightGBM算法完成DTIs预测。实验结果表明，EFMSDTI比几种最先进的算法具有更好的性能（AUROC和AUPR为0.982）。此外，它在分析前1000个预测结果方面具有良好的效果，而前1000个DTI中有990个得到了确认。代码和数据可在https://github.com/meng-jie/EFMSDTI获得。
ARPC Frontline - 空军预备役人员中心
ARPC Frontline 是 FSS 社区可以参考的新资源，用于查找来自总部空军预备役人员中心的最新信息和更新。数字化转型计划 (DTI) 是我们的首要任务之一，我们将利用这个论坛向 FSS 成员提供有关及时主题的 DTI 通知。您将在本期 Frontline 中发现以下 DTI 通知：DTI 通知：230216-01 主题：ARC 退休过渡到 myFSS 期间对 RRPA 请求的影响 适用于：空军国民警卫队和空军预备役飞行员 BLUF：从 2023 年 3 月 1 日起，HQ ARPC 退休部门将退还 1974 年 12 月 31 日以后出生的成员的 RRPA 请求。DTI 通知：230216-02 主题：ARC 退休过渡到 myFSS 的计划 适用于：目前参与的空军国民警卫队和空军预备役飞行员 BLUF：要求生效日期为 2023 年 11 月 1 日或之后的退休申请必须在 myFSS 可用后提交。DTI 通知：230216-03 主题：预备役分离系统过渡影响：空军预备役飞行员 BLUF：预备役分离系统计划于 2023 年 3 月 1 日在 myFSS 上供飞行员使用。DTI 通知：230216-04 主题：积分管理和服务验证/DD 表格 214 系统过渡适用于：空军国民警卫队和空军预备役飞行员 BLUF：积分管理更正和服务验证/DD 表格 214 请求将在未来几周内在 myFSS 上上线。过渡可能会导致处理延迟。DTI 通知：230216-05 主题：装饰和评估查询 适用于：空军国民警卫队和空军预备役飞行员 BLUF：装饰和评估查询计划于 2023 年 3 月 15 日在 myFSS 上上线
![arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日](/simg/5\5fffc67fff366f29a5ea5531d2846fd29320a5bb.webp)
arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日
动机：识别药物-靶标相互作用（DTI）是药物重新定位的关键步骤。近年来，大量基因组学和药理学数据的积累形成了海量药物和靶标相关的异构网络（HN），为开发基于HN的计算模型以准确预测DTI提供了新的机会。HN隐含了大量关于DTI的有用信息，但也包含不相关的数据，如何充分利用异构网络仍然是一个挑战。结果：本文提出了一种基于异构图自动元路径学习的DTI预测方法（HampDTI）。HampDTI从HN中自动学习药物和靶标之间的重要元路径，并生成元路径图。对于每个元路径图，从药物分子图和靶标蛋白序列中学习到的特征作为节点属性，然后设计一个有效考虑节点类型信息（药物或靶标）的节点类型特定图卷积网络（NSGCN）来学习药物和靶标的嵌入。最后，将来自多个元路径图的嵌入组合起来以预测新的 DTI。在基准数据集上的实验表明，我们提出的 HampDTI 与最先进的 DTI 预测方法相比取得了优异的性能。更重要的是，HampDTI 确定了 DTI 预测的重要元路径，这可以解释药物如何与 HN 中的靶标相互作用。联系方式：name@bio.com 补充信息：补充数据可在 Bioinformatics 在线获取。
DTI-Voodoo：通过交互网络和基于本体的背景知识进行机器学习，预测药物-靶标相互作用
动机：计算机模拟药物-靶标相互作用 (DTI) 预测对于药物发现和药物再利用非常重要。预测 DTI 的方法可以间接地自上而下进行，使用药物的表型效应来识别潜在的药物靶标，也可以直接自下而上地使用分子信息直接预测结合潜力。这两种方法都可以与有关相互作用网络的信息相结合。结果：我们开发了 DTI-Voodoo 作为一种计算方法，将分子特征和本体编码的药物表型效应与蛋白质-蛋白质相互作用网络相结合，并使用图卷积神经网络来预测 DTI。我们证明药物效应特征可以利用相互作用网络中的信息，而分子特征则不能。DTI-Voodoo 旨在预测给定蛋白质的候选药物；我们使用这种公式来表明常见的 DTI 数据集包含内在偏差，对 DTI 预测方法的性能评估和比较有重大影响。使用经过修改的评估方案，我们证明 DTI-Voodoo 比最先进的 DTI 预测方法有显著改进。可用性：DTI-Voodoo 源代码和重现结果所需的数据可在 https://github.com/THinnerichs/DTI-VOODOO 免费获取。联系方式：tilman.hinnerichs@kaust.edu.sa 补充信息：补充数据可在 https://github.com/THinnerichs/DTI-VOODOO 获得。
DTI-Voodoo：通过交互网络和基于本体的背景知识进行机器学习，预测药物-靶标相互作用
动机：计算机模拟药物-靶标相互作用 (DTI) 预测对于药物发现和药物再利用非常重要。预测 DTI 的方法可以间接地自上而下进行，使用药物的表型效应来识别潜在的药物靶标，也可以直接自下而上地使用分子信息直接预测结合潜力。这两种方法都可以与有关相互作用网络的信息相结合。结果：我们开发了 DTI-Voodoo 作为一种计算方法，将分子特征和本体编码的药物表型效应与蛋白质-蛋白质相互作用网络相结合，并使用图卷积神经网络来预测 DTI。我们证明药物效应特征可以利用相互作用网络中的信息，而分子特征则不能。DTI-Voodoo 旨在预测给定蛋白质的候选药物；我们使用这种公式来表明常见的 DTI 数据集包含内在偏差，对 DTI 预测方法的性能评估和比较有重大影响。使用经过修改的评估方案，我们证明 DTI-Voodoo 比最先进的 DTI 预测方法有显著改进。可用性：DTI-Voodoo 源代码和重现结果所需的数据可在 https://github.com/THinnerichs/DTI-VOODOO 免费获取。联系方式：tilman.hinnerichs@kaust.edu.sa 补充信息：补充数据可在 https://github.com/THinnerichs/DTI-VOODOO 获得。
药物的实体关系图非线性数据融合……
动机：预测可靠的药物-靶标相互作用 (DTI) 是计算机辅助药物设计和再利用中的一项关键任务。在这里，我们提出了一种基于数据融合的 DTI 预测新方法，该方法建立在 NXTfusion 库之上，通过将矩阵分解范式扩展到实体关系图上的非线性推理来推广它。结果：我们在五个数据集上对我们的方法进行了基准测试，并将我们的模型与最先进的方法进行了比较。我们的模型优于大多数现有方法，同时保留了预测 DTI 作为二元分类和实值药物-靶标亲和力回归的灵活性，可与为每个任务明确构建的模型相媲美。此外，我们的研究结果表明，DTI 方法的验证应该比之前一些研究中提出的更严格，更多地侧重于模拟真实的 DTI 设置，其中需要预测以前未见过的药物、蛋白质和药物-蛋白质对。这些设置正是将异构信息与我们的实体-关系数据融合方法集成的好处最明显的环境。