XiaoMi-AI文件搜索系统
World File Search Systemdrug
在具有LEAP的临床前癌模型中预测基因的本质和药物反应：自动编码器和
临床前扰动筛选，其中在疾病模型上系统地测试了遗传，化学或环境扰动的影响，由于其规模和因果性质，对机器学习增强的药物发现具有巨大的希望。预测模型可以根据分子特征来推断以前未经测试的疾病模型的扰动反应。这些在计算机标签中可以扩展数据库并指导实验优先级。但是，对扰动特异性效应进行建模并在各种生物环境中产生健壮的预测性能仍然难以捉摸。我们介绍了LEAP（自动编码器和预测变量的分层集合），这是一个新颖的集合框架，可改善稳健性和概括。LEAP利用多个Damae（数据增强蒙版的自动编码器）表示和套索回归器。通过结合从不同随机初始化中学到的多种基因表达表示模型，在预测未见细胞系，组织和疾病模型中基因本质或药物反应方面始终胜过最先进的方法。值得注意的是，我们的结果表明，结合表示模型而不是仅预测模型会产生出色的预测性能。超出其性能增长，LEAP在计算上是有效的，需要最小的高参数调整，因此很容易将其纳入药物发现管道中，以优先考虑有希望的目标并支持生物标志物驱动的分层。这项工作中使用的代码和数据集可公开使用。
用于增强癌症免疫治疗的多种药物输送系统：概述
尽管免疫治疗具有明显的优势，但仍存在不可避免的脱靶效应，导致严重的不良免疫反应。近年来，药物递送系统（DDS）的研究和开发日益受到重视。在几十年的发展中，DDS已显示出以精确靶向的方式递送药物以减轻副作用的能力，并具有灵活控制药物释放、改善药代动力学和药物分布的优势。因此，我们认为将癌症免疫治疗与DDS相结合可以增强抗肿瘤能力。在本文中，我们概述了癌症免疫治疗中最新的药物递送策略，并简要介绍了基于纳米载体（脂质体、聚合物纳米胶束、介孔二氧化硅、细胞外囊泡等）和偶联技术（ADC、PDC和靶向蛋白质降解）的DDS的特点。我们的目的是向读者展示不同免疫机制下的各种药物递送平台，并分析它们的优势和局限性，为癌症免疫治疗提供更优越、更准确的靶向策略。
药物研发中的人工智能：最新进展和未来前景
摘要简介：人工智能 (AI) 启发了计算机辅助药物发现。机器学习（尤其是深度学习）在多个科学学科中的广泛应用，以及计算硬件和软件的进步等因素继续推动这一发展。对于人工智能在药物发现中的应用，最初的大部分怀疑已经开始消失，从而使药物化学受益。涵盖的领域：回顾了人工智能在化学信息学中的现状。本文讨论的主题包括定量结构-活性/性质关系和基于结构的建模、从头分子设计和化学合成预测。强调了当前深度学习应用的优势和局限性，并展望了用于药物发现的下一代人工智能。专家意见：基于深度学习的方法才刚刚开始解决药物发现中的一些基本问题。某些方法上的进步，例如信息传递模型、空间对称性保持网络、混合从头设计和其他创新的机器学习范式，可能会变得很普遍，并有助于解决一些最具挑战性的问题。开放数据共享和模型开发将在利用人工智能推动药物发现方面发挥核心作用。
NLRP3炎性症中的心血管疾病：更新
数十年的证据将IL-1 B定位为急性和慢性炎症性疾病中的主要调节细胞因子。旨在抑制IL-1信号传导的批准的生物制剂已显示出效率，但安全性可变。最近，靶向IL-1 B上游介质NLRP3激活引起了最大的关注。异常NLRP3激活已证明参与了从神经发生疾病到心脏代谢综合征和癌症的几种病理状况的发展。旨在限制NLRP3功能的药理和遗传策略已被证明在许多临床前疾病模型中有效。这些证据导致了可以针对NLRP3的小型口服分子的生成和临床测试的重要努力。在本报告中，我们讨论了这些分子具有转化潜力的不同特性，并描述了目前可用于筛选NLRP3靶向分子的技术，这些技术突出了每种方法的优势和局限性。
尿液肿瘤中的抗体 - 药物缀合物
尿肿瘤主要由肾脏，尿路上皮和前列腺恶性肿瘤组成，这些恶性肿瘤构成了显着的治疗挑战，尤其是在晚期阶段。抗体 - 药物结合物（ADC）已成为一种有前途的治疗方法，将单克隆抗体的特殊性与细胞毒性化学治疗有效载荷相结合。本评论重点介绍了ADC应用尿肿瘤应用中的最新进展，机会和挑战。我们讨论了FDA批准的ADC和其他正在研究的新型ADC，强调了它们改善患者预后的潜力。此外，我们探讨了应对挑战的策略，例如毒性管理，预测性生物标志物识别和抵抗机制。此外，我们研究了ADC与其他治疗方式的整合，包括免疫检查点抑制剂，靶向疗法和放射治疗。通过应对这些挑战并探索创新方法，ADC的发展可能显着增强晚期尿肿瘤患者的治疗选择和结果。
作为甾醇衍生药物的纳米载体的替代品
摘要：羟基磷灰石纳米粒子 (HApNPs) 是一种尺寸小于 100 纳米的无机材料。它们的主要特性是生物相容性，因为它们的化学成分与人体骨骼相似，因此适合在生理环境中使用。这些特性使它们成为一种有前途的甾醇衍生药物输送替代品，与传统的药物输送方法相比，具有更好的靶向性和控制释放性。在本研究中，使用化学沉淀法合成了负载胆固醇和 β-谷甾醇的 HApNPs。通过傅里叶变换红外 (FTIR) 光谱对纳米粒子 (NPs) 进行表征，以识别功能组并确认 HApNPs 上存在甾醇。使用透射电子显微镜 (TEM) 和动态光散射 (DLS) 分析了 NPs 的形态和尺寸。通过热重分析确定甾醇衍生物的负载量，并评估了纳米粒子在酸性介质中的稳定性。结果表明，成功合成了负载胆固醇和β-谷甾醇的HApNP，其呈球形，直径小于100纳米。数据证实胆固醇和β-谷甾醇已掺入HApNP表面，并且随后释放。此外，纳米生物界面中甾醇衍生物的存在增强了纳米粒子对酸性条件的抵抗力，表明它们有可能作为药物纳米载体在肠道中靶向释放，而不会在通过胃的过程中发生改变。关键词：羟基磷灰石纳米粒子、胆固醇、β-谷甾醇、界面、酸性介质。
使用诱导的plupotent-stem-cells-in-prug- ...
©2012美国临床药理学和治疗学会；本文未发表在出版商中。引用时，请检查出版商的版本。 ;这不是已发布的版本。请仅引用已发布的版本。
通过机器学习和异质性细胞模型的高通量筛选鉴定针对胶质母细胞瘤的候选药物
3爱丁堡大学生物科学学院，Max Born Crescent，Edinburgh，EH9 3BF，英国。 *相应的作者：d.oyarzun@ed.ac.uk; n.carragher@ed.ac.uk摘要胶质母细胞瘤多形（GBM）是一种侵略性的原发性脑肿瘤，由于其复杂的病理和异质性，引起了重大治疗挑战。 缺乏经过验证的分子靶标是发现新的治疗候选者的主要障碍，在二十年中，没有向患者提供新的有效GBM疗法。 在这里，我们报告了针对GBM干细胞存活表型的化合物的鉴定。 我们的方法采用机器学习（ML）的预测指标的细胞存活率，这些细胞存活在高通量，基于图像的，基于图像的表型筛选数据中，用于3,561种化合物，以多个浓度，跨六个异质，患者衍生的GBM干细胞系进行多个浓度。 我们在计算上筛选了跨越各种化学类别的12,000多种化合物。 对GBM干细胞系中ML识别的候选物的实验验证，导致了三种化合物对GBM表型的活性。 值得注意的是，我们经过验证的HSP90抑制剂XL888之一，靶向消除所有六个GBM干细胞系，其IC50在纳莫尔范围内。 其他两种化合物在具有不同细胞系敏感性的多个GBM细胞系中展示了广泛的活动，为将来的个性化医学运动提供了途径。 患者的预后较差，治疗方案有限（通常是手术，然后进行化学放疗），导致抗药性的出现。3爱丁堡大学生物科学学院，Max Born Crescent，Edinburgh，EH9 3BF，英国。*相应的作者：d.oyarzun@ed.ac.uk; n.carragher@ed.ac.uk摘要胶质母细胞瘤多形（GBM）是一种侵略性的原发性脑肿瘤，由于其复杂的病理和异质性，引起了重大治疗挑战。缺乏经过验证的分子靶标是发现新的治疗候选者的主要障碍，在二十年中，没有向患者提供新的有效GBM疗法。在这里，我们报告了针对GBM干细胞存活表型的化合物的鉴定。我们的方法采用机器学习（ML）的预测指标的细胞存活率，这些细胞存活在高通量，基于图像的，基于图像的表型筛选数据中，用于3,561种化合物，以多个浓度，跨六个异质，患者衍生的GBM干细胞系进行多个浓度。我们在计算上筛选了跨越各种化学类别的12,000多种化合物。对GBM干细胞系中ML识别的候选物的实验验证，导致了三种化合物对GBM表型的活性。值得注意的是，我们经过验证的HSP90抑制剂XL888之一，靶向消除所有六个GBM干细胞系，其IC50在纳莫尔范围内。其他两种化合物在具有不同细胞系敏感性的多个GBM细胞系中展示了广泛的活动，为将来的个性化医学运动提供了途径。患者的预后较差，治疗方案有限（通常是手术，然后进行化学放疗），导致抗药性的出现。我们的工作证明了在与ML串联串联中使用表型筛选的使用可以有效地识别具有很少已知分子靶标的高度异质指示中个性化处理的治疗铅。关键字：胶质母细胞瘤，人工智能，药物发现，机器学习简介胶质母细胞瘤多形（GBM）是人类成年人中最常见和最具侵略性的原发性脑肿瘤，其特征是遗传驱动因素的实质异质性和肿瘤微环境1-3。在过去20年中，新诊断的GBM患者的护理标准包括手术，替莫唑胺（TMZ）和电离辐射（IR），延长了12个月至15个月患者的总体生存期4,5。大规模的基因组分析增强了我们对GBM分子生物学的理解，后者支持
![文章标题：在药物重新使用中的机器学习和人工智能 - 挑战和观点作者：Ezequiel Anokian [1]，Judith Ber](/simg/2/2867641feba13bf24711be4221be8a75a718a686.webp)
文章标题：在药物重新使用中的机器学习和人工智能 - 挑战和观点作者：Ezequiel Anokian [1]，Judith Ber
文章标题：药物重新培训中的机器学习和人工智能 - 挑战和观点作者：Ezequiel Anokian [1]，Judith Bernett [2]，Adrian Freeman [3]，Markus List [2]，LucíaPrietoSantamaría[4]，Auntorrarhman Tanoli [4] Bonnin [1]分支机构：发现与转化科学（DTS），Clarivate Analytics，巴塞罗那（西班牙）[1]，《系统生物学数据科学》，慕尼黑技术大学，慕尼黑技术大学，德国（德国）[2] Biopharmaceuticals R＆D，阿斯利康，剑桥（英国）[3]，EscuelaTécnicasuperior de gegenierossismorlosinformáticos，Madrid大学（西班牙）大学（西班牙） （FIMM），Hilife，Hilife，赫尔辛基大学（芬兰），Bioicawtech，赫尔辛基（芬兰）[5] [5] Orcid ID：0000-0003-0694-1867 [1] [1]，0000-0001-501-5812-8013 [2] 0000-0002-0941-4168 [2], 0000-0003-1545-3515 [4], 0000-0003-2435-9862 [5], 0000-0001-5159-2518 [1] Contact e-mail: Sarah.bonnin@clarivate.com Journal: Drugrxiv review statement:手稿目前正在审查中，应由酌处权对待。手稿提交日期：2024年3月12日关键字：机器学习，神经网络，人工智能，药物repurost