XiaoMi-AI文件搜索系统
World File Search Systemdti
指导摇动-AS-A-DATA生成 - 诉状 - 核能...
图1：整体工作流程：在第一步中，我们使用带导的对接进行策划的激酶活性数据（Kinodata）在计算机中生成结构蛋白质 - 配体。然后对此增强数据集进行测试，以确保其对绑定亲和力预测任务的有用性。在第二步中，我们使用对接姿势与两个基线模型-DTI和GNN-比较了CGNN模型，而无需访问生成的3D信息。
通过多种分类策略预测药物-靶标相互作用
摘要背景：通过实验确定药物-靶标相互作用（DTI）成本高昂且耗时，因此计算预测药物与蛋白质靶标之间的相互作用对于新药研发至关重要。然而，不同的蛋白质靶标之间相互作用的数量差异很大。具体而言，大多数相互作用仅集中在少数靶标上。因此，相互作用数量较多的靶标可能拥有足够的正样本来预测其相互作用，而相互作用数量较少的靶标的正样本可能不足。仅使用一种分类策略可能无法同时处理上述两种情况。为了解决上述问题，本文提出了一种基于多种分类策略的药物-靶标相互作用预测方法（MCSDTI）。在MCSDTI中，首先根据靶标的相互作用数量将靶标分为两部分，一部分包含相互作用数量较少的靶标（TWSNI），另一部分包含相互作用数量较多的靶标（TWLNI）。然后分别为TWSNI和TWLNI设计不同的分类策略来预测相互作用。此外，对TWSNI和TWLNI进行独立评估，可以克服同时评估所有靶标时结果可能主要由具有大量相互作用的靶标决定的问题。结果：提出了一种新的药物-靶标相互作用（MCSDTI）预测方法，该方法采用多种分类策略。MCSDTI在五个DTI数据集上进行了测试，例如核受体（NR），离子通道（IC），G蛋白偶联受体（GPCR），酶（E）和药物库（DB）。实验表明，对于TWLNI，我们的方法在NR，IC，GPCR和E上的AUC分别比第二好的方法高3.31％，1.27％，2.02％，2.02％和1.04％；对于TWSNI，我们的方法在NR，IC和E上的AUC分别比第二好的方法高1.00％，3.20％和2.70％。结论：MCSDTI 在大多数数据集上对于所有目标部位都是一种比以前的方法更有竞争力的方法，针对不同目标部位采用不同的分类策略是提高 DTI 预测效果的有效方法。
使用扩散张量的机器学习应用
我们进行了PubMed搜索，以发现2010年1月至2019年12月之间发表的148篇论文，与人脑，扩散张量成像（DTI）和机器学习（ML）有关。研究着重于健康人群（n = 15），精神健康疾病（n = 25），肿瘤（n = 19），创伤（n = 5），痴呆症（n = 24），发育障碍（n = 5），运动障碍，运动障碍（n = 9），其他神经逻辑疾病（n = 27），不及格疾病（n = 27），不及格疾病，否则不及格; 7），以及上述类别的多种组合（n = 12）。 使用来自DTI信息的信息对患者进行分类是最常见的（n = 114）进行的ML应用。 研究的显着数字（n = 93）使用了支持向量机（SVM）作为分类的ML模型的首选选择。 近年来（2018-2019）出版物的一部分（31/44）继续使用SVM，支持向量回归和随机森林，这些森林是传统ML的一部分。 尽管进行了各种健康状况（包括健康）的许多类型的应用，但大多数研究都是基于小的同胞（小于100），并且没有对测试集进行独立/外部验证。研究着重于健康人群（n = 15），精神健康疾病（n = 25），肿瘤（n = 19），创伤（n = 5），痴呆症（n = 24），发育障碍（n = 5），运动障碍，运动障碍（n = 9），其他神经逻辑疾病（n = 27），不及格疾病（n = 27），不及格疾病，否则不及格; 7），以及上述类别的多种组合（n = 12）。分类是最常见的（n = 114）进行的ML应用。研究的显着数字（n = 93）使用了支持向量机（SVM）作为分类的ML模型的首选选择。近年来（2018-2019）出版物的一部分（31/44）继续使用SVM，支持向量回归和随机森林，这些森林是传统ML的一部分。尽管进行了各种健康状况（包括健康）的许多类型的应用，但大多数研究都是基于小的同胞（小于100），并且没有对测试集进行独立/外部验证。
lncs 4191-通过基于扩散张量的电场模型预测深脑刺激的影响
摘要。深脑刺激（DBS）是一种用于治疗运动障碍的既定疗法，并且显示出有望治疗多种其他神经系统疾病的结果。，对DBS的作用机理或刺激造成的脑组织的体积知之甚少。我们开发了使用解剖学和扩散张量MRI（DTI）数据来预测DBS激活的组织（VTA）的方法。我们将成像数据与大脑的详细有限元模型共同注册，并刺激电极以解剖和电气准确地预测刺激的扩散。模型的一个关键组成部分是DTI张量字段，用于表示三维各向异性和不均匀的组织电导率。使用该系统，我们能够融合结构和功能信息，以研究用于治疗帕金森氏病（PD）的丘脑下核的相关临床概率：DB。我们的结果表明，与同质性的各向同性组织体积相比，在我们的模型中包含张量范围会导致VTA的大小和形状的显着差异。这些差异的宏观与刺激电压成正比。我们的模型预测是通过比较预测的活化的扩散与观察到的PD患者眼动神经刺激的影响的传播来验证的。反过来，脑的3D组织电性能在调节DBS产生的神经激活的扩散中起着重要作用。
科技部 – 菲律宾工业、能源和新兴技术研究与发展委员会 (DOST – PCIEERD)
这项综合计划是 DOST、DTI 和 DICT 为响应《创新创业法案 RA 11337》的规定而开展的一项合作和伙伴关系计划。伙伴关系计划为初创企业提供支持，使其能够参加本地和国际初创企业活动、会议和推介会。该计划希望让本地初创企业接触不同的学习和竞争环境，从而为他们提供创业所需的技能和经验。该计划还涵盖对三家机构共同举办的活动的支持。
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。