XiaoMi-AI文件搜索系统
World File Search System药物
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
用于靶向癌细胞的药物偶联物的 Affibody 分子的选择和表征
摘要................................................................................................................................................................ 2
药物生物技术T. Y. B.药房
转移速率和总体反应受质量转移速率控制。在这种情况下，酶反应可以描述为（其中C SB和C S是大部分溶液和固定酶表面的底物浓度。k s的传质系数，a是固定酶颗粒的表面积）
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
全基因组关联研究的网络分析以确定药物靶点的优先次序
摘要 在过去的几十年中，全基因组关联研究 (GWAS) 导致与人类特征和疾病有关的遗传变异急剧增加。这些进展有望带来新的药物靶点，但从 GWAS 中识别致病基因和人类疾病背后的细胞生物学仍然具有挑战性。在这里，我们回顾了基于蛋白质相互作用网络的 GWAS 数据分析方法。这些方法可以在没有直接遗传支持的情况下对 GWAS 相关位点或疾病基因相互作用因子中的候选药物靶点进行排序。这些方法可以识别出不同疾病中共同受影响的细胞生物学，为药物重新利用提供机会，也可以与表达数据相结合以识别局部组织和细胞类型。展望未来，我们预计这些方法将随着特定情境相互作用网络表征和罕见与常见遗传信号的联合分析方面的进展而得到进一步改进。
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。
患者来源的异种移植或类器官在肿瘤免疫治疗的传统和自组装药物研发中的应用
除了免疫检查点抑制剂的快速发展，自组装免疫治疗药物的研发也呈现井喷态势。根据免疫靶点，传统肿瘤免疫治疗药物分为五类，即免疫检查点抑制剂、直接免疫调节剂、过继细胞治疗、溶瘤病毒和癌症疫苗。此外，精准度和环境敏感性更高的自组装药物的出现为肿瘤免疫治疗提供了一种很有前景的创新途径。尽管肿瘤免疫治疗药物研发进展迅速，但所有候选药物都需要进行临床前安全性和有效性评估，而常规评估主要采用二维细胞系和动物模型，这种方法可能不适合免疫治疗药物。而患者来源的异种移植和类器官模型保留了肿瘤病理异质性和免疫性。
基于效应的爱尔兰药物污染的监测
该项目评估了水质，并强调了改善监测实践的关键发现。研究表明，某些药物化合物始终以可测量的浓度存在，强调需要在废水处理厂附近以及在上游和下游的地表水附近进行更频繁的监测。分析方法可能会受到样本条件（例如pH水平和存储）的影响，需要仔细管理样本矩阵干扰以及使用合适的内部标准。该项目建议将事件数据与基于效果的监测集成以评估水毒性，尽管仍然需要标准化的生物测定。此外，监测对生态系统生物多样性的影响，尤其是生物体繁殖，对于准确确定毒性特征至关重要。该研究还强调了广泛的化学筛查的重要性，
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。