XiaoMi-AI文件搜索系统
World File Search SystemDTIs
![arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日](/simg/g:\will\search\icon\source\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。
Graph-DTI：一种基于异构网络图嵌入的药物-靶标相互作用预测新模型
受近年来图嵌入和知识表示学习的启发，我们开发了一种新的端到端学习模型，称为 Graph-DTI，它整合了来自异构网络数据的各种信息，并自动学习保留拓扑的药物和靶标表示，以促进 DTI 预测。我们的框架由三个主要构建块组成。首先，我们整合了药物和靶标蛋白的多种数据源，并从一组数据集中构建了异构网络。其次，通过使用受 GCN 启发的图自动编码器提取高阶结构信息来学习节点（药物、蛋白质）及其拓扑邻域表示，形成异构网络。最后一部分是预测潜在的 DTI，然后将训练好的样本发送到分类器进行二元分类。
癌症药物再利用：现状与未来
药物再利用，也称为药物重新定位，是一种有吸引力的方法，旨在为现有药物确定新的靶点或治疗方法。这种方法不仅可以节省大量资金，还可以节省药物设计和开发的时间。这尤其适用于制药行业，因为高流失率、新药审批延迟以及其他监管要求都会导致药物成本上升。虽然偶然性最初激发了人们对药物再利用的兴趣，但观察性研究为重新定位几种药物（例如西地那非、二甲双胍或依达拉奉等）的成功提供了巨大的支持。这种重新定位为整合已获批准的药物（尤其是非专利药物）用于脱靶疾病的管理/治疗带来了新的希望。这是关于药物再利用的两部分专题中的第一部分。这里讨论了基于深度学习的药物靶标相互作用 (DTI) 预测方法，以及用于治疗癌症的药物。
平稳过渡战略指导说明
CCA 共同国家评估 CDP 联合国发展政策委员会 CSO 民间社会组织 DFAT 澳大利亚政府外交贸易部 DFQF 免税配额 DTIS 诊断性贸易一体化研究 ECOSOC 经济及社会理事会 EIF 对最不发达国家提供贸易相关技术援助的强化综合框架 ESCAP 亚洲及太平洋经济社会委员会 EU 欧洲联盟 GDP 国内生产总值 IATF 最不发达国家毕业机构间工作队 ISMs 针对最不发达国家的国际支持措施 LDC 最不发达国家 LDC-IV 第四次联合国最不发达国家会议 LDC-V 第五次联合国最不发达国家会议 NCC 瓦努阿图政府国家协调委员会 NGOs 非政府组织 ODI 海外发展研究所 OECD 经济合作与发展组织 OECD-DAC 经合组织 - 发展援助委员会 UN-OHRLLS 联合国最不发达国家、内陆发展中国家高级代表办公室和小岛屿发展中国家 SDGs 可持续发展目标 STS 平稳过渡战略 STIA 科学技术创新评估 STPR 科学技术创新政策审查 UN 联合国 UNCTAD 联合国贸易和发展会议 UNDESA 联合国经济和社会事务部 UNDP 联合国发展计划署 UNSDCF 联合国可持续发展合作框架 WTO 世界贸易组织
DTI-MLCD：使用多重预测药物-靶标相互作用...
识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低实验成本，已经提出了大量用于此任务的计算方法。已经开发了基于机器学习的模型，尤其是二元分类模型来预测药物-靶标对是否相互作用。然而，当前方法的性能仍有很大改进空间。多标签学习可以克服单标签学习带来的一些困难，从而提高预测性能。多标签学习面临的关键挑战是指数级的输出空间，考虑标签相关性有助于克服这一挑战。在本文中，我们通过引入用于 DTI 预测的社区检测方法（称为 DTI-MLCD）来促进多标签分类。此外，我们更新了黄金标准数据集，在该数据集的基础上添加了 15,000 个以上的 DTI 正样本，该数据集自 2008 年以来已被大多数先前发布的 DTI 预测方法广泛使用。所提出的 DTI-MLCD 应用于这两个数据集，证明了它优于其他机器学习方法和几种现有方法。本研究的数据集和源代码可在 https://github.com/a96123155/DTI-MLCD 上免费获取。
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。
评估使用扩散降解概率模型
生成的AI模型，例如稳定的扩散，DALL-E和MIDJOURNEY，最近引起了广泛的关注，因为它们可以通过学习复杂，高维图像数据的分布来产生高质量的合成图像。这些模型现在正在适用于医学和神经影像学数据，其中基于AI的任务（例如诊断分类和预测性建模）通常使用深度学习方法，例如卷积神经网络（CNNS）和视觉变形金刚（VITS）（VITS），并具有可解释性的增强性。在我们的研究中，我们训练了潜在扩散模型（LDM）和deno的扩散概率模型（DDPM），专门生成合成扩散张量张量成像（DTI）地图。我们开发了通过对实际3D DTI扫描进行训练以及使用最大平均差异（MMD）和多规模结构相似性指数（MS-SSSIM）评估合成数据的现实主义和多样性来生成平均扩散率的合成DTI图。我们还通过培训真实和合成DTI的组合来评估基于3D CNN的性别分类器的性能，以检查在培训期间添加合成扫描时的性能是否有所提高，作为数据增强形式。我们的方法有效地产生了现实和多样化的合成数据，有助于为神经科学研究和临床诊断创建可解释的AI驱动图。
RLM-年度报告-2022-2023-最终版
缩写 详细信息 AG 审计长 BTO 预算和财政办公室 CCTV 闭路电视 CFO 首席财务官 COGTA 合作治理和传统事务部 CPI 消费者价格指数 DCD 社区发展局 DCSS 企业支持服务局 DPHS 规划和人类住区局 DPLG 省级和地方政府部 DPS 公共安全局 DTI 贸易和工业部 DTIS 技术和基础设施服务局 EEP 就业公平计划 EIA 环境影响评估 GDP 国内生产总值 GIS 地理信息系统 HH 家庭 HIV/AIDS 人类免疫缺陷病毒感染/获得性免疫缺陷综合症 HR 人力资源 ICT 信息和通信技术 IDP 综合发展计划 IRPTN 综合快速公共交通网络 IT 信息技术 KPA 关键绩效领域 KPI 关键绩效指标 LAN 局域网 LED 地方经济发展 MFMA 地方政府：2003 年第 56 号市政财政管理法案 MIG 市政基础设施补助金 MM 市政经理 MPRA 地方政府：市政财产2004 年第 6 号税率法案 MSA 地方政府：2000 年第 32 号市政系统法案 MTREF 中期收入和支出框架 NDP 国家发展计划 NGO 非政府组织 PMS 绩效管理系统 PMU 项目管理单位 POE 证据组合 PR 比例代表制 RWST 勒斯滕堡水务信托 R&T 道路和交通 SCM 供应链管理 SDBIP 服务提供和预算实施计划 SDF 空间发展框架 SEDA 小型企业发展局
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
摘要 预测药物-靶标相互作用 (DTI) 已成为一个重要的生物信息学问题，因为它是药物重新定位的关键和初步阶段之一。因此，科学家们正在尝试开发更准确的计算方法来预测药物-靶标相互作用。这些方法通常基于机器学习或推荐系统，并使用生物和化学信息来提高预测的准确性。在这些方法的背景下，有一个假设，即具有相似化学结构的药物具有相似的靶标。因此，药物之间的相似性作为化学信息被添加到计算方法中以改进预测结果。这里出现的问题是这种说法是否真的正确？如果是这样，应该使用什么方法来计算药物-药物化学结构的相似性？我们是否会从我们使用的任何 DTI 预测方法中获得同样的改进？在这里，我们研究了通过将药物-药物化学结构相似性添加到问题中可以实现的改进量。为此，我们考虑了不同类型的真实化学相似性、随机药物相似性、四个黄金标准数据集和四种最先进的方法。我们的结果表明，数据的类型和大小、用于预测相互作用的方法以及用于计算药物间化学相似性的算法都很重要，不能轻易地说增加药物相似性可以显著改善结果。因此，我们的结果可以为想要改进机器学习方法的科学家提供一份清单。