XiaoMi-AI文件搜索系统
World File Search Systemdrug
今天明天的治疗方法：导航药物发现
这个深入的重点探讨了再生医学和创新疗法领域的发展。神经疗法的创始人兼首席执行官Cory Nicholas博士对其有希望的临床前数据有着令人信服的见解，该数据涉及NRTX-1001，这是一种旨在对抗源自人类Pluripotent干细胞的再生神经细胞疗法。史蒂夫·奥基夫（Steve O'Keeffe），愤怒的@关节炎背后的有远见者，巴塞尔大学的伊万·马丁（Ivan Martin）博士进行了关于再生方法在彻底改变骨关节炎治疗方面的变革潜力的对话，为受影响的人带来了希望。Insmed Incorporated首席科学官Brian Kaspar博士讨论了基因疗法开发中面临的挑战，阐明了医疗研究和发展的不断发展的景观，以及我们如何推动界限来应对这些挑战。最后，联合创始人，卫星治疗学首席执行官兼董事会成员弗兰克·格里森（Frank Gleeson）深入研究了肌肉修复的世界，探索了再生医学的进步和可能性。
肿瘤学药物再利用的计算方法
药物开发需要时间，而且通常无法满足当今医疗保健的需求。这主要是因为将新药推向市场需要很长时间、从头药物开发的成本惊人以及开发过程中的高流失率 ( 1 )。目前对药物开发的估计表明，将新化学实体 (NCE) 开发成实际药物需要超过 12 年的时间和超过 1 亿美元 ( 2 )。即使投入了如此多的资源，也只有不到 2% 的 NCE 能够开发成药物（98% 的流失）。药物开发失败的主要原因是缺乏安全性和有效性 ( 3 )。在进行临床前研究以确定可行性之后，NCE 必须通过严格的 I 期和 II 期试验，才能在临床环境中建立良好的毒理学和药理学特征。少数通过 I 期和 II 期临床试验审查的候选药物将进入 III 期试验，以验证其在大量处于特定疾病不同阶段和合并症的患者中的临床疗效。减轻围绕新药发现和开发的不确定性，并简化临床试验流程是肿瘤学的必需品，因为癌症仍然是全球主要的公共卫生问题。一种可能的解决方案是
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。
基于肌肉侵入性膀胱癌的遗传景观的硅药物反应预测中个性化的展示研究
改进且便宜的分子诊断允许从“一种尺寸适合所有疗法”转移到针对单个肿瘤的个性化疗法。然而，基于全面测序的大量潜在目标仍然是一个尚未解决的挑战，可以阻止其在临床实践中的常规使用。因此，我们设计了一个工作流，该工作流选择基于多摩学测序和计算机药物预测的最有希望的治疗靶标。在这项研究中，我们证明了关注膀胱癌（BLCA）的工作流程，迄今为止，尚无可靠的诊断来预测治疗方法的潜在益处。在TCGA-BLCA队列中，我们的工作流程确定了由21个基因和72种药物组成的面板，这些小组建议对95％的患者进行个性化治疗，包括5个尚未报道为BLCA临床测试的预后标记。自动化的预测是通过手动策划的数据补充的，从而可以进行准确的灵敏度或抗药性指导的药物反应预测。我们根据在手动策展期间发现的陷阱讨论了药物相互作用数据库的潜在改进。
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。
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
扩大减肥药 tirzepatide 的获取渠道 – 常见问题解答
● 据估计，英格兰约有 340 万人有资格使用这种药物。tirzepatide 的推出必须谨慎管理，以确保医疗保健专业人员能够继续满足所有患者的全方位健康需求。最初，只有临床需求最高的人才能优先获得该药物，同时 NHS 将测试各种新的服务来照顾肥胖患者。这将包括优先考虑已经在专科体重管理服务 (SWMS) 接受护理的人。在 NICE 的最终指南在 SWMS 上发布后 90 天内，以及在初级保健中 180 天内，患者将能够在临床上合适的情况下获得 tirzepatide。
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。
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。
原始发表论文的引用（记录版本）：Li, X., Shong, K., Kim, W. et al (2022)。透明细胞 r 候选药物预测
a Bash Biotech Inc，600 est Broadway，Suite 700，圣地亚哥，CA 92101，美国 b 生命科学实验室，KTH-Royal Institute of Technology，斯德哥尔摩 SE-17165，瑞典 c 病理学和肿瘤生物学系，人类生物学高级研究中心（WPI-ASHBi），京都大学，京都 606-8501，日本 d 泌尿外科，东京大学医学院，东京 113-8654，日本 e 血液学和再生医学中心，卡罗琳斯卡医学院，斯德哥尔摩 SE-17177，瑞典 f 医学生物学系，Atat € urk 大学医学院，埃尔祖鲁姆 25240，土耳其 g 宿主-微生物组相互作用中心，牙科、口腔和颅面科学学院，伦敦国王学院，伦敦 SE1 9RT，英国h 哥德堡大学萨尔格伦斯卡大学医院分子与临床医学系，哥德堡 SE- 41345，瑞典 i 查尔姆斯理工大学生物与生物工程系，哥德堡 SE-41296，瑞典 j 生物创新研究所，哥本哈根 N DK-2200，丹麦 k 郑州大学药学院先进药物制备技术教育部重点实验室，郑州 450001，中国