XiaoMi-AI文件搜索系统
World File Search Systemdti
数据稀缺药物协同专家组合......
药物-靶标相互作用预测 (DTI) 在药物发现和临床应用等各种应用中都至关重要。DTI 预测中广泛使用的输入数据有两个视角：内在数据表示药物或靶标的构造方式，外在数据表示药物或靶标与其他生物实体的关系。然而，对于某些药物或靶标，尤其是那些不受欢迎或新发现的药物或靶标，输入数据的两个视角中的任何一个都可能很稀缺。此外，特定相互作用类型的真实标签也可能很稀缺。因此，我们提出了第一种方法来解决输入数据和/或标签稀缺情况下的 DTI 预测。为了使我们的模型在只有一个输入数据视角可用时发挥作用，我们设计了两个独立的专家分别处理内在数据和外在数据，并根据不同的样本自适应地融合它们。此外，为了使这两个视角相互补充并弥补标签稀缺问题，两个专家以相互监督的方式相互协同，以利用大量未标记数据。在输入数据稀缺性和/或标签稀缺性不同的 3 个真实数据集上进行的大量实验表明，我们的模型显著且稳定地优于现有技术，最大改进为 53.53%。我们还在没有任何数据稀缺的情况下测试了我们的模型，它也优于当前方法。代码可在 https://github.com/BUPT-GAMMA/MoseDTI 获得。
创伤性脑损伤和额叶裂片
TBI产生大脑的快速变形，导致一系列特定的病理事件。所产生的大脑解剖结构和神经生理学的变化会破坏影响认知，自主和情绪功能的多个脑网络，以及行为的其他方面（Eslinger等，2007）。对大脑连接的损害，涉及广泛分布的大脑网络，是认知障碍发展的关键因素（Mesulam，1998）。弥漫性轴突损伤最近被称为创伤性轴突损伤，发生在近后抗体中的轴突损伤，并落下，其中减速和旋转力导致大脑白质的剪切，尤其是在额叶内（Marquez de la Plata等人，2011年）。TBI后，白质的完整性与损伤的严重程度以及结果相关。Kraus等。 （2007）记录，各种白质结构的完整性的降低与注意力，记忆和执行功能的度量较差有关。 tbi在各个个体的可变位置产生了复杂的弥散轴突损伤模式，因此很难将白质破坏定位（Kinnunen等，2011）。 尽管白质破坏是TBI后认知障碍的重要决定因素，但常规的神经影像学会低估了其程度。 扩散张量成像（DTI）是一种新型的神经影像学方法，用于研究人脑中白质区的解剖学和完整性（Lawes等，2008; Beaulieu，2009; Thiebaut de Schotten et al。，2011）。Kraus等。（2007）记录，各种白质结构的完整性的降低与注意力，记忆和执行功能的度量较差有关。tbi在各个个体的可变位置产生了复杂的弥散轴突损伤模式，因此很难将白质破坏定位（Kinnunen等，2011）。尽管白质破坏是TBI后认知障碍的重要决定因素，但常规的神经影像学会低估了其程度。扩散张量成像（DTI）是一种新型的神经影像学方法，用于研究人脑中白质区的解剖学和完整性（Lawes等，2008; Beaulieu，2009; Thiebaut de Schotten et al。，2011）。最近的研究表明，与其他神经影像学方法相比，DTI不仅在急性阶段，而且在慢性阶段的创伤性损伤之后，对TBI的离散轴突损伤进行了更敏感的测量（Thomas等，2009，2011； Rimrodt等，2010; Charlton et al。从DTI地图集中得出的解剖信息也可以用于评估TBI中白质损害的扩展。在本文中，我们着重于TBI的身体和神经病理学原因对白质损害的影响，并描述了典型的临床临床预测的三个单一病例代表。 ）。最后，我们培养了使用DTI测量TBI轴突损伤的研究中报告的初步结果。
gpbstat.pdf
alphaltc。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2个alphaltcchk。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 alphaltcmt。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4个alphaltcs。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 datdti。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 datrdti。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 DM2。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 7 dm2alpha。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 8 dm2rcbd。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>6 DM2。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>7 dm2alpha。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8 dm2rcbd。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 DTI。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 LTC。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。10 LTC。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 ltcchk。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 LTCMT。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 LTC。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17 rcbdltc。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 rcbdltcchk。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 rcbdltcmt。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 rcbdltcs。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20
![arXiv:2312.15252v1 [q-bio.BM] 2023 年 12 月 23 日](/simg/f\ff46232bb704c4d3dff958375a56735191bb04a2.webp)
arXiv:2312.15252v1 [q-bio.BM] 2023 年 12 月 23 日
准确而稳健地预测药物-靶标相互作用 (DTI) 在药物发现中起着至关重要的作用。尽管人们在预测新型 DTI 方面投入了大量精力，但现有方法仍然存在标记数据不足和冷启动问题。更重要的是，目前缺乏阐明药物和靶标之间作用机制 (MoA) 的研究。区分激活和抑制机制对于药物开发至关重要且具有挑战性。在这里，我们介绍了一个称为 DTIAM 的统一框架，旨在预测药物和靶标之间的相互作用、结合亲和力以及激活/抑制机制。DTIAM 通过自监督的预训练从大量无标记数据中学习药物和靶标表示，从而准确提取药物和靶标的子结构和上下文信息，从而有利于基于这些表示的下游预测。DTIAM 在所有任务中都比其他最先进的方法实现了显着的性能提升，尤其是在冷启动场景中。此外，独立验证证明了 DTIAM 强大的泛化能力。所有这些结果表明，DTIAM 可以提供一种实用的工具来预测新型 DTI 并进一步区分候选药物的作用机理。DTIAM 首次提供了一个统一的框架，可以准确、稳健地预测药物-靶标相互作用、结合亲和力以及激活/抑制机制。
不良贷款报告 DMM (A) 108
npl.co.uk › DMM108 PDF 作者：MJ Reece · 1993 — 作者：MJ Reece · 1993 材料计量学部主任 MK Hossain 博士...ai... 这项工作是 NPL 的 DTI 赞助材料计量学项目的一部分。
通过融合多种特征和数据平衡与特征选择技术来提高药物-靶标相互作用的预测
预测药物-靶标相互作用 (DTI) 是药物发现领域的一个重要研究领域。这意味着识别化合物和蛋白质靶标之间的相互作用。探索这些相互作用的湿实验室实验既昂贵又耗时。相反，更注重相互作用预测计算方法的干实验室环境有助于限制这些实验的搜索空间，并在开发新药之前提供线索。本文提出了一种称为 SRX-DTI 的新型药物-靶标相互作用预测方法。首先，我们从蛋白质序列中提取各种描述符，并将药物编码为 FP2 分子指纹。为了处理类别不平衡问题，我们提出了 One-SVM-US 技术来处理不平衡数据。我们还开发了 FFS-RF 算法，一种前向特征选择算法，并将其与随机森林 (RF) 分类器相结合，以最大化预测性能。前向特征选择算法在预测能力提高的前提下，向一组选定特征中添加新特征。该特征选择算法删除不相关的特征以获得最佳最优特征。最后，将具有最佳特征的平衡数据集提供给 XGBoost 分类器以识别 DTI。实验结果表明，我们提出的方法 SRX-DTI 在预测 DTI 方面比其他现有方法具有更高的性能。数据集和源代码可在以下位置获得：https://github.com/Khojasteh-hb/SRX-DTI 。
研究论文 高区域选择性直接 CH 芳基化
可控的高区域选择性直接 CH 芳基化是人们非常希望实现的，但这仍然是一个巨大的挑战。在此，我们开发了一种简便的区域选择性直接 CH 芳基化方法，用于高效构建各种基于对称二噻吩并邻苯二甲酰亚胺的 π 共轭分子。所得方法适用于各种基质，从富电子单元到具有大空间端基的缺电子单元。已证实芳基卤化物能够通过直接 CH 芳基化与二噻吩并邻苯二甲酰亚胺 (DTI) 偶联，表现出高区域选择性。已证明，通过改变 DTI 核心上的功能端基可以微调发射颜色以覆盖大部分可见光谱。结果提出了一种简便的高选择性直接 CH 芳基化策略，为高效构建 π 共轭分子以供各种潜在的光电应用开辟了前景。
HGDTI：利用基于异构图神经网络的信息聚合预测药物-靶标相互作用
摘要背景：在新药研发研究中，传统的湿实验周期较长，通过计算机模拟预测药物-靶标相互作用（DTI）可以大大缩小候选药物的搜索范围，优秀的算法模型可能更有效地揭示药物、蛋白质等相关数据构成的生物信息网络中药物与靶标之间的潜在联系。结果：本工作开发了一种异构图神经网络模型HGDTI，包括网络节点嵌入的学习阶段和DTI分类的训练阶段。该方法首先获取药物的分子指纹信息和蛋白质的伪氨基酸组成信息，然后通过Bi-LSTM提取节点的初始特征，并利用注意力机制聚合异构邻居。在多个对比实验中，HGDTI的整体性能明显优于其他最先进的DTI预测模型，并采用负采样技术进一步优化模型的预测能力。此外，我们通过异构网络内容缩减测试证明了HGDTI的鲁棒性，并通过其他对比实验证明了HGDTI的合理性。这些结果表明HGDTI可以利用异构信息来捕获药物和靶标的嵌入，为药物开发提供帮助。结论：基于异构图神经网络模型的HGDTI可以利用异构信息来捕获药物和靶标的嵌入，为药物开发提供帮助。为了方便相关研究人员，我们在http://bioinfo.jcu.edu.cn/hgdti建立了一个用户友好的Web服务器。
使用多标签学习和社区检测方法 (DTI-MLCD) 预测药物-靶标相互作用
1 上海交通大学微生物代谢国家重点实验室、生命科学与技术学院，上海 200240；2 深圳市南山区西丽街道万科云城一期 8 号楼鹏程实验室，518055；3 卡尔加里大学 摘要 识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低大量的实验成本，蓬勃发展的机器学习已被应用于该领域并开发了许多计算方法，尤其是二元分类方法。然而，当前方法的性能仍有很大改进空间。多标签学习可以减少二元分类学习所面临的困难并具有较高的预测性能，并且尚未得到广泛探索。它面临的关键挑战是指数级的输出空间，考虑标签相关性可以帮助它。因此，我们通过引入用于 DTI 预测的社区检测方法 (称为 DTI-MLCD) 来促进多标签分类。另一方面，我们更新了2008年提出并沿用至今的金标准数据集。我们在更新前后的金标准数据集上执行了所提出的DTI-MLCD，结果表明它比其他经典机器学习方法和其他基准提出的方法更具优越性，证实了它的有效性。本研究的数据和代码可以在https://github.com/a96123155/DTI-MLCD找到。 关键词：药物-靶标相互作用，数据集更新，多标签学习，标签相关性，社区检测 1.引言 对于药物开发来说，药物发现（即发现潜在的新药）和药物重新定位（即获得具有新功效的旧药）是两个重要且成本高昂的策略[2]，而实现它们的重要步骤就是预测DTI。近年来，许多研究将流行的机器学习技术应用于实现智能医疗，在一定程度上加速了药物开发的进程。对于DTIs预测，利用机器学习技术不仅可以缩小实验研究的实验范围，而且可以对实验研究起到指导作用。近年来有很多综述文章[3-7]总结了机器学习方法在DTIs预测领域的进展，二分类方法是其中一个重要分支。对于二分类方法
通过集合建模和转移学习朝着药物目标相互作用预测
摘要 - 拖延目标相互作用（DTI）预测在药物发现中起着至关重要的作用，而深度学习方法在这一领域中达到了最先进的表现。我们为DTI预测介绍了深度学习模型（ENSEMBLEDLM）的合奏。eNSEMBLEDLM仅使用化学化合物和蛋白质的序列信息，它汇总了来自多个深神经网络的预测。这种方法不仅在戴维斯和基巴数据集中实现了最先进的性能，而且在不同的生物活性类型和不同蛋白质类别的跨域应用中达到了尖端性能。我们还证明了EnseMbleDLM在新域中取得了良好的性能（Pearson相关系数和一致性指数> 0.8），而训练集的数据是传输学习的两倍数据。索引术语 - Trug-Target互动预测，集合建模，转移学习，卷积神经网络，深神经网络