XiaoMi-AI文件搜索系统
World File Search SystemDrugBank
医学®
摘要 世界卫生组织宣布2019冠状病毒病（COVID-19）为全球大流行病后，全球卫生工作者面临着前所未有的严峻挑战。目前，用于抑制COVID-19引起的肺部炎症加剧的合剂扶正愈感合剂（FZYGM）已获得医疗机构合剂备案，但FZYGM的作用机制尚不明确。本研究旨在阐明FZYGM作为COVID-19潜在治疗药物的分子和相关生理途径。从中药系统药理学数据库与分析平台（TCMSP）获取FZYGM的活性分子，通过DrugBank和GeneCards识别COVID-19的潜在靶基因。分别利用Cytoscape_v3.8.2和String数据库建立化合物-靶标网络和蛋白质-蛋白质相互作用（PPI）。进行基因本体论（GO）分析和京都基因与基因组百科全书（KEGG）通路富集分析。最后利用分子对接进行了更深入的研究，确定了7个活性化合物和3个相应的核心靶点，主要作用信号通路包括白细胞介素（IL）-17信号通路、肿瘤坏死因子（TNF）信号通路、Toll样受体信号通路、Th17细胞分化、冠状病毒疾病-COVID-19。本研究表明FZYGM可以通过多个靶点和通路发挥抗COVID-19的作用。因此，FZYGM可以被认为是治疗COVID-19的候选药物，为COVID-19的后续实验和临床应用提供了良好的理论支持。
医源性高血压：生物信息学分析
摘要众所周知，无数的药物和物质会诱导与血压（BP）调节有关的副作用。本研究旨在研究为什么某些药物倾向于引起医源性高血压（HTN），并专注于与这些疾病有关的药物靶标。数据库和资源，例如SIDE，药物库和Genomatix，以生物信息研究HTN相关的药物基因，HTN是副作用。创建了类似树状的图，代表了与血压系统有关的198个人类基因之间的相互作用。72 HTN指出，研究了药物和160种HTN诱导药物。 鉴定了受这些药物影响的 HTN相关基因。 htn表明，针对相互作用树几乎所有分支的药物都显示出对BP调节系统的大多数功能子系统产生影响。并专门用于肾上腺素能和多巴胺能受体途径。 在指示和HTN诱导药物类别之间共享靶标的高患病率（25个基因）。 我们专注于六个未针对HTN治疗的药物家庭，但据报道是血压副作用的主要原因。 我们显示了可能导致这种医源作用的分子机制。 这样的分析可能具有临床意义，可以允许开发量身定制的药物具有更少的副作用。72 HTN指出，研究了药物和160种HTN诱导药物。鉴定了受这些药物影响的 HTN相关基因。 htn表明，针对相互作用树几乎所有分支的药物都显示出对BP调节系统的大多数功能子系统产生影响。并专门用于肾上腺素能和多巴胺能受体途径。 在指示和HTN诱导药物类别之间共享靶标的高患病率（25个基因）。 我们专注于六个未针对HTN治疗的药物家庭，但据报道是血压副作用的主要原因。 我们显示了可能导致这种医源作用的分子机制。 这样的分析可能具有临床意义，可以允许开发量身定制的药物具有更少的副作用。HTN相关基因。htn表明，针对相互作用树几乎所有分支的药物都显示出对BP调节系统的大多数功能子系统产生影响。并专门用于肾上腺素能和多巴胺能受体途径。在指示和HTN诱导药物类别之间共享靶标的高患病率（25个基因）。 我们专注于六个未针对HTN治疗的药物家庭，但据报道是血压副作用的主要原因。 我们显示了可能导致这种医源作用的分子机制。 这样的分析可能具有临床意义，可以允许开发量身定制的药物具有更少的副作用。在指示和HTN诱导药物类别之间共享靶标的高患病率（25个基因）。我们专注于六个未针对HTN治疗的药物家庭，但据报道是血压副作用的主要原因。我们显示了可能导致这种医源作用的分子机制。这样的分析可能具有临床意义，可以允许开发量身定制的药物具有更少的副作用。
在基于目标的药物相似性网络中发现新的药物特性
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。
映射DSI数据库的景观：
该图说明了DSI数据“转换”的简化示例。数据库名称以粗体列出。它显示了如何在科学数据库中转移和相互连接的DSI。该过程始于研究人员从欧洲核苷酸档案（ENA）中获得大肠杆菌基因组。从该基因组中，研究人员可能使用RefSeq确定了特定的感兴趣基因。然后，研究人员检查了该基因编码的酶（一种蛋白质），以及其特性，记录在Uniprot中。他们会进一步了解涉及酶的生化反应，他们咨询Brenda。研究人员利用KEGG提供的数据来编译代谢途径，这些数据与来自代谢的实验数据交叉引用。要分析与这些途径相关的化学特性（即，我们对酶破裂或将其放在一起的小分子的理解），研究人员转向Pubchem。出于药物开发的目的，它们将这些化学性质与在药品库中列出的已知药物，寻找潜在的抑制剂或激活剂进行了比较。接下来，研究人员探讨了有关这些药物的其他实验数据的临床试验。为了对上下文和含义有更广泛的了解，他们在PubMed上进行了交叉引用的发现，该发现提供了对同行评审出版物的访问。这种数据的迭代探索和交叉引用最终可帮助研究人员注释基因在基因本体论（GO）数据库中更准确地发挥作用，从而恢复了研究周期并增强了整体知识库。在这个简化的示例中，使用了11个与DSI相关的数据库，但实际上，使用DSI的科学家需要数千个。
subge-ddi：药物的新预测模型
生物医学文本提供了重要数据，用于研究药物守护领域中的药物相互作用（DDIS）。尽管研究人员试图研究生物医学文本中的DDI并预测未知的DDI，但缺乏准确的手动注释会大大阻碍机器学习算法的性能。在这项研究中，为DDI（Subge-DDI）开发了一个新的DDI预测框架，即子图增强模型，以提高机器学习算法的性能。此模型使用药物对知识子图信息来实现大规模的纯文本预测，而无需进行任何注释。该模型将DDI预测视为多类分类问题，并预测每种药物对的特定DDI类型（例如，机制，效果，建议，相互作用和负面）。药物对知识子图源自包含各种公共数据集的巨大药物知识图，例如药物库，二固体，偏外，药物中心，胚胎，SMPDB（小分子途径数据库），CTD（比较毒性毒理学数据库）和Sider。从公共数据集（Semeval-2013 Task 9数据集）评估了Subge-DDI，然后与其他最先进的基线进行了比较。Subge-DDI在测试数据集中获得83.91％的微F1分数和84.75％的宏F1分数，表现优于其他最先进的基线。这些发现表明，提出的药物对知识子图辅助模型可以有效地改善生物医学文本中DDI的预测性能。
通过校准患者特定通路特征，使用预测机器学习模型进行药物反应模拟
图 1. 方法论和方法验证的概念概述。a) 通路活动评分用于训练一个高度预测性的 ML 模型，该模型可区分正常和疾病样本，在热图上分别标记为绿色和红色。b) 接下来，使用药物靶标信息并应用模拟给定药物在通路水平上效果的评分算法来修改疾病样本的通路评分。然后使用训练有素的 ML 分类器评估以前归类为“患病”的修改后的疾病样本现在是否可以归类为“正常”。c) 最后，我们使用现在被归类为正常的疾病样本比例作为代理来识别候选药物，提出联合疗法，并确定新的目标。d) 为了验证该方法，我们首先使用来自 KEGG 和 BRCA-、LIHC- 和 PRAD-TCGA 数据集的通路执行 ssGSEA 以获取样本通路活动得分。 e) 接下来，我们从 DrugBank 和 DrugCentral 获得已知的药物-靶标相互作用，从 Clinicaltrials.gov 和 FDA 批准的药物获得药物-疾病对（即 FDA 批准的药物和针对特定病症的临床试验药物），其中后两者被用作真实阳性（TP）列表。 f) 为了使用通路活性得分模拟上述 TCGA 数据集中患者的药物治疗（即图 1d），我们应用了图 1a-c 中描述的方法，根据治疗的疾病样本比例获得药物排名。最后，我们确定了按我们的方法排名的药物中对三个 TCGA 数据集为真阳性的比例，并将该比例与随机机会进行了比较。
PRC1在肺腺癌中起重要作用，并可能由Fostamatinib
摘要。- 目的：肺腺癌（LUAD）是世界上最常见的罐头之一。细胞因子1（PRC1）的蛋白质调节剂在包括luad在内的几种癌症的肿瘤发生和发育中起作用。本研究的目的是评估LUAD中PRC1的特征，以便找到针对PRC1的潜在药物。材料和方法：我们使用COX分析了来自癌症基因组图集（TCGA）门户的RNA测序数据的LUAD患者的PRC1的预后价值。评估了PRC1和LUAD前的联系，吸烟突变计数，动力型和缺氧评分之间的联系。分析了LUAD中PRC1与肿瘤侵入肿瘤的免疫细胞之间的关系，并使用基因集富集分析（GSEA）研究与PRC1相关的生物学过程和信号途径。使用药物银行数据库和分子对接鉴定靶向PRC1的潜在药物。结果：LUAD中的PRC1表达显着增加。prc1可能是预测luad总体表现的预后生物标志物。PRC1表达也与癌症阶段和患者的吸烟史有关。PRC1与突变计数，非整倍性和缺氧得分呈正相关。它也与肿瘤浸润的免疫细胞，尤其是活化的肥大细胞有关。GSEA表明PRC1可能与细胞周期，细胞因子和p53信号通路相关。此外，发现fostamatinib是一种针对PRC1的药物。结论：PRC1可能对LUAD患者具有预后价值，并且相关 -
转录组学和药物发现分析表明，针对 KDM4 亚家族的天然化合物有望成为癌症的辅助治疗方法
KDM4 蛋白是组蛋白去甲基化酶的一个亚家族，靶向组蛋白 H3 的赖氨酸 9 和 36 的三甲基化，这分别与转录抑制和延长有关。它们在癌症中的失调可能导致染色质结构改变和转录缺陷，从而可能促进恶性肿瘤。尽管 KDM4 蛋白是癌症治疗中有希望的药物靶点，但只有少数药物被描述为这些酶的抑制剂，而对天然化合物作为可能的抑制剂的研究仍然需要。天然化合物是生物活性物质的主要来源，许多已知以表观遗传过程为目标，例如 DNA 甲基化和组蛋白去乙酰化，使其成为发现新组蛋白去甲基化酶抑制剂的丰富来源。在这里，通过转录组分析，我们确定 KDM4 家族失调并且与多种肿瘤组织中的不良预后有关。此外，通过分子对接和分子动力学方法，我们筛选了 COCONUT 数据库，以搜索天然来源的抑制剂，并与 FDA 批准的药物和 DrugBank 数据库进行了比较。我们发现天然产物中的分子在 FRED 对接分析中得分最高。含有糖、芳香环和 OH 或 O- 基团的分子有利于与 KDM4 亚家族蛋白的活性位点相互作用。最后，我们整合了蛋白质-蛋白质相互作用网络，将转录组分析和对接筛选的数据关联起来，以提出可用作多靶点疗法或与 KDM4 酶的潜在天然抑制剂联合使用的 FDA 批准药物。这项研究强调了 KDM4 家族与癌症的相关性，并提出了可用作潜在疗法的天然化合物。
基于网络的药物重新利用潜在的中风疗法
中风是全世界死亡和残疾的主要原因，在发展中国家，越来越多的事件发生。但是，目前对这种疾病的医疗疗法很少。作为一种有效的药物发现策略出现，重新利用具有较低成本和较短时间的药物能够确定现有药物的新指示。在这项研究中，我们旨在通过从药品库数据库中重新利用认可的药物来鉴定中风的潜在药物糖果日期。我们首先避免了一个批准药物的药物目标网络，采用基于网络的方法来重新利用这些药物，并完全确定了185名中风的药物候选物。为了验证基于网络的方法的预测准确性，我们接下来系统地搜索了先前的文献，并发现185名候选药物（36.8％）中有68位对中风施加了治疗作用。我们进一步选择了一些潜在的候选药物，具有确认的神经保护作用来测试其抗中风活性。六种药物，包括霉菌，孤立丁，苯嗪，酮替芬，双氯芬酸和奥美拉唑，在氧气中表现出良好的活性，该活性在氧气 - 葡萄糖剥夺/reoxygyation（OGD/R）诱导的BV2细胞上表现出良好的活性。最后，我们通过Western印迹和奥林克炎症面板展示了肉毒素和苯嗪的作用的抗卒中机制。实验结果表明，它们都通过抑制IL-6和COX-2的表达在OGD/R诱导的BV2细胞中发挥了抗中风作用。总之，本研究为鉴定候选药物的中风提供了有效的基于网络的方法。
llms用于药物相互作用预测
现代治疗方案中药物组合的增加需要可靠的方法来预测药物相互作用（DDIS）。虽然大型语言模型（LLMS）已重新提到了各个领域，但它们在药物研究中的潜力，尤其是在DDI预测中，仍然在很大程度上没有探索。这项研究通过唯一处理分子结构（微笑），靶生物和基因相互作用数据作为最新药品库数据集的原始文本输入来彻底研究LLMS在预测DDI方面的能力。我们评估了18种不同的LLM，包括专有模型（GPT-4，Claude，Gemini）和开源变体（从1.5B到72B参数），首先评估其在DDI预测中的零击功能。然后我们微调选定的模型（GPT-4，PHI-3.5 2.7b，QWEN-2.5 3B，GEMMA-2 9B和DEEPSEEK R1蒸馏QWEN 1.5B），以优化其性能。我们的全面评估框架包括对13个外部DDI数据集进行验证，并与传统方法（例如L2登记的逻辑回归）进行了比较。微型LLMS表现出卓越的性能，PHI-3.5 2.7b在DDI预测中达到0.978的灵敏度，在平衡数据集中的准确性为0.919（50％正，50％负案例）。此结果代表了用于DDI预测的零射击预测和最新的机器学习方法的改进。我们的分析表明，LLM可以有效地捕获复杂的分子相互作用模式和药物对以共同基因为目标的情况，从而使其成为药物研究和临床环境中实际应用的宝贵工具。