XiaoMi-AI文件搜索系统
World File Search SystemQSAR
HyperPCM：药物的稳健任务条件建模……
摘要：药物发现的一个核心问题是确定类药物化合物与蛋白质靶标之间的相互作用。在过去的几十年中，已经开发了各种定量结构-活性关系 (QSAR) 和蛋白质化学计量 (PCM) 方法来建模和预测这些相互作用。虽然 QSAR 方法仅利用药物化合物的表示，但 PCM 方法结合了蛋白质靶标和药物化合物的表示，使它们能够对以前未见过的蛋白质靶标实现高于偶然性的预测准确度。QSAR 和 PCM 方法最近都通过机器学习和深度神经网络得到了改进，从而允许从测量数据开发药物-靶标相互作用预测模型。然而，深度神经网络通常需要大量的训练数据，并且无法稳健地适应新任务，例如在推理时预测未见过的蛋白质靶标的相互作用。在这项工作中，我们建议使用超网络在推理过程中有效地在任务之间传输信息，从而准确预测药物-靶标对未见过的蛋白质靶标的相互作用。与之前的方法相比，我们的 HyperPCM 方法在多个知名基准（包括 Davis、DUD-E 和 ChEMBL 衍生的数据集）上达到了最先进的性能，并且在涉及看不见的蛋白质靶标的零样本推理方面尤其出色。 我们的方法以及可重复的数据准备可在 https://github.com/ml-jku/hyper-dti 上获得。■ 简介药物 - 靶标相互作用 1 的建模是药物发现的一个基本步骤，意味着学习小的类药物化合物（在此称为药物化合物（术语药物化合物在本文中表示配体，即分子化合物，被视为潜在药物但最终可能不适合作为最终候选药物））与已确定的疾病蛋白质靶标之间相互作用的结合特性。2 随着新疾病的出现，迫切需要快速准确地预测大量药物 - 靶标相互作用。 3 药物-靶标相互作用的计算机建模受益于更强大的计算能力 4 ，而使用其他领域的最先进深度学习方法则有助于进一步发展。 5、6 到目前为止，该领域的研究主要集中在药物化合物和蛋白质靶标的表示上。 传统的定量结构-活性关系 (QSAR) 模型 7 仅基于药物化合物结构的表示来学习药物-靶标相互作用的特性。 通常，首先将结构编码为数值向量，即嵌入。 手工嵌入可以从化学和生物数据 8-10 或通过位向量（例如摩根指纹）构建。 11
大分子建模
Data analysis in drug design (8 ECTS) (A-C. Camproux) BQAAY070 Python1 project (P. Fuchs & P. Poulain) (3 ECTS) Or BQAAY080 Python 2 programming or BQAAY030 Python project (S. Murail) (3 ECTS) BQ2CY050 Data Analysis and Drug Design (A-C Camproux & L. Regad) (3 ECTS）BQ2CY060在药物设计和QSAR（O。Taboureau＆L。Regad）（1 ECTS）BQ2CY070研讨会和R＆D（A-C CAMPROUX）（1 ECTS）
使用机器学习建模算法确定小分子药物的血脑屏障渗透
1。Dolgikh E等。QSAR模型的脑对铂分隔系数，KP，UU，大脑：将P-糖蛋白外排纳入变量。2016。2。Friden M等。 使用大脑和脑脊髓液中未结合药物浓度的新型数据集的大鼠和人类结构 - 脑暴露关系。 2009。 3。 Pedregosa F等； Scikit-Learn：Python中的机器学习。 2011。 4。 rdkit：开源化学信息学； http://www.rdkit.orgFriden M等。使用大脑和脑脊髓液中未结合药物浓度的新型数据集的大鼠和人类结构 - 脑暴露关系。2009。3。Pedregosa F等； Scikit-Learn：Python中的机器学习。2011。4。rdkit：开源化学信息学； http://www.rdkit.org
大脑。人工智能和神经科学的广泛研究 ISSN：2068-0473 | e-ISSN：2067-3957 收录于：Web of Science (WOS)；PubMed.gov；在
摘要：铁 (Fe) 螯合药物和组蛋白去乙酰化酶 (HDAC) 抑制剂是治疗遗传性弗里德赖希共济失调的两种选择，已被证明可以改善临床结果 (FA)。Fe 螯合分子可以最大限度地减少储存的 Fe 量，而 HDAC 抑制剂可以促进 Frataxin (FXN) 基因的表达，从而增强 FA。本文报告了从 ChEMBL 数据库中对抑制剂进行完整的定量构效关系 (QSAR) 搜索，其中包括 437 种 Fe 螯合化合物和 1,354 种 HDAC 抑制剂化合物。为了进一步研究，选择 IC50 作为生物活性单位，经过数据细化，最终生成了 436 种 Fe 螯合化合物和 1,163 种 HDAC 抑制化合物的数据集。使用随机森林 (RF) 技术生成模型（训练 R 2 得分分别为 0.701 和 0.892；测试 R 2 得分分别为 0.572 和 0.460，分别针对 Fe 和 HDAC）。使用 PubChem 指纹创建的模型是 12 种指纹类型中最强的；因此选择该特征进行解释。结果显示了与含氮官能团（PubchemFP656 的 SHAP 值为 -0.29）和芳香环（PubchemFP12 的 SHAP 值为 -0.16）相关的特性的重要性。因此，我们解释了分子指纹对模型的影响以及对可用于人工智能 FA (XAI) 的潜在药物的影响，这可以通过 SHAP（Shapley 加法解释）值来解释。模型脚本和指纹识别方法也可在 https://github.com/tissueandcells/XAI 获得。关键词：可解释人工智能、弗里德赖希共济失调、预测准确性、定量构效关系、QSAR、Shapley 值。
基于距离的拓扑表征，图形能量预测和嵌入2D网络中P型表面中的苯环的NMR模式
纳米结构是分子和微观尺度上的微小物体，其中碳纳米管是其中最引人注目的。这些元素具有特殊的微电源特性和其他独特特征。研究人员最近专注于这些材料的数学特征。分子描述符在数学化学中至关重要，尤其是在QSAR和QSPR建模中。拓扑指数在其中具有重要的地位。这项研究介绍了十个最关键的拓扑指数的精确配方，用于位于高度对称的2D晶格BCZ 48中的P型表面上的苯环。我们已经合并了计算的索引，以开发2D晶格的图形能量的预测模型，此外，还提供了NMR模式和Homo-Lumo GAP。
M. Arockiaraj博士
Personal Data Name M. AROCKIARAJ DOB April 27, 1982 Gender Male Nationality Indian Major Field Graph Theory Fine Field Theoretical Computer Science Research Interests Embedding Problems, Topological Indices of Molecular Graphs, Entropy Measures and QSAR/QSPR Models Office Emails marockiaraj@gmail.com marockiaraj@loyolacollege.edu Telephone +91 9840298901 Mailing Address Dr. M. Arockiaraj数学副教授Loyola College Chennai 600034印度学术证书2007 - 2012 Ph.D.印度马德拉斯大学数学大学，2002 - 2004年M.Sc.数学洛约拉学院，钦奈，印度，1999年 - 2002年B.Sc.印度Tiruchirappalli的数学圣约瑟夫学院
药物研发中的人工智能
Anvita Aggarwal 摘要：人工智能 (AI) 已成为药物发现领域的一股变革力量，其驱动力是机器学习（尤其是深度学习）的广泛应用以及计算硬件和软件的不断进步。本文全面概述了化学信息学中 AI 的现状，涵盖定量结构-活性/性质关系 (QSAR/QSPR) 和基于结构的建模、从头分子设计和化学合成预测。分析强调了现有深度学习应用的优势和局限性，并提供了关于下一代 AI 在推进药物发现方面的潜力的前瞻性观点。 2023 年 10 月 12 日收到；2023 年 10 月 23 日修订；2023 年 10 月 25 日接受 © 作者 2023。在 www.questjournals.org 上以开放获取方式出版
药物发现和开发中的人工智能
人工智能加速了药物发现和开发过程并降低了成本，从语言建模到制药领域的改进，有大量成功的应用。随着药物相关数据的增加，深度学习方法已在整个药物发现步骤中使用。在这篇小评论中，我对人工智能及其在药物发现和开发中的应用进行了一般性描述。计算机辅助药物发现和基于配体的定量结构活性和性质（QSAR / QSPR）和从头药物设计，与单细胞技术的整合，药物代谢和排泄，并讨论了结直肠癌和牙齿脱落的最新进展，植物性传统医学的整合，并展示了用于发现血清素5-HT1A药物的AI辅助平台，该药物在不到12个月的时间内进入临床试验，远远少于需要四年药物发现过程的传统方法。
药房中的人工智能
人工智能 (AI) 专注于产生智能建模，这有助于想象知识、解决问题和做出决策。最近，人工智能在药学的各个领域发挥着重要作用，例如药物发现、药物输送配方开发、多药理学、医院药房等。在药物发现和药物输送配方开发中，正在使用各种人工神经网络 (ANN)，例如深度神经网络 (DNN) 或循环神经网络 (RNN)。目前已经分析了几种药物发现的实现，并证明了该技术在定量结构-性质关系 (QSPR) 或定量结构-活性关系 (QSAR) 中的强大功能。此外，从头设计促进了具有所需/最佳品质的新型药物分子的发明。在当前的评论文章中，讨论了人工智能在药学中的应用，特别是在药物发现、药物输送配方开发、多药理学和医院药房中的应用。
对生物信息学领域中苦肽的研究
摘要：苦肽是酸性，碱性或酶促条件下蛋白质水解产生的小分子肽。这些肽可以增强食品风味并具有各种健康益处，并具有抗高血压，抗糖尿病，抗氧化剂，抗菌和免疫调节特性等属性。他们在功能食品的发展以及疾病的预防和治疗方面表现出巨大的潜力。本综述介绍了苦肽的各种来源，并讨论了苦味产生的机制及其在味觉系统中的生理功能。此外，它强调了生物信息学在苦肽研究中的应用，包括建立和改进苦肽数据库的建立和改进，使用定量结构 - 活性关系（QSAR）模型来预测苦味阈值以及在分类中的最新进步，以建立机器学习和深度学习质量良好的苦味peptectionals nethermention Predictiation预测模型。未来的研究方向包括增强数据库，多样化的模型以及应用生成模型，以将苦肽研究推进加深和发现更多实用应用。