XiaoMi-AI文件搜索系统
World File Search System药物筛选
PDX 衍生的原发性肿瘤中的组合药物筛选...
大多数儿童肉瘤的一线治疗是基于化疗联合放疗和手术。大量患者出现耐药性和复发性肿瘤。因此，具有使复发性肿瘤细胞对化疗重新敏感的潜力的药物具有重要的临床意义。在这里，我们使用了 PDX 衍生的原发性横纹肌肉瘤细胞的药物分析平台，筛选了一个大型药物库，以寻找使复发性肿瘤细胞对横纹肌肉瘤治疗中使用的标准化疗药物重新敏感的化合物。我们确定 ABT-263 (navitoclax) 是增强一般化学敏感性的最有效化合物，并在体外和体内使用不同的药理学和遗传学方法来检测 NOXA-BCL-XL/MCL-1 平衡是否参与调节药物反应。因此，我们的数据表明，内在线粒体凋亡级联的参与者是刺激横纹肌肉瘤一线治疗反应的主要目标。
人类胰腺癌类器官中的药物筛选和基因组编辑可确定药物-基因相互作用和标外治疗候选药物
作者贡献 CKH 和 GS 设计了研究并撰写了论文，其他所有作者也参与其中。CKH 进行了实验并分析了数据，GS 负责监督研究的整体执行。DT、VL、AG 在建立、培养、扩增和测试 PDAC 类器官系方面提供了技术援助。PS 进行并分析了实验并准备了图表。THB、DK、CUS 设计并执行了自动化药物筛选并为分析做出了贡献。CP、DL、KE、AS 提供了病理学/肿瘤学专业知识。LV、FR 建立了野生型胰腺类器官系。LG、DJS、NCT、HK 提供了生物信息学专业知识并为分析做出了贡献。SK、MDM、MKJ 提供了转移性 PDAC 类器官系的数据。JB、JS 为体内研究的设计、实验和分析做出了贡献。
针对胶质母细胞瘤核心弱点的联合药物筛选揭示了药理协同作用
a 艾克斯-马赛大学，国家科学研究中心 (CNRS)，国家健康与医学研究所 (INSERM)，保利卡尔梅特研究所，马赛癌症研究中心 (CRCM)，法国马赛 b 艾克斯-马赛大学，CNRS，UMR 7051，INP，神经病理学研究所，法国马赛 c 细胞整合生物学研究所 (I2BC)，CEA，CNRS，巴黎第十一大学，巴黎萨克雷大学，伊维特河畔吉夫 F-91198，法国 d 儿童癌症研究所，洛伊癌症研究中心，新南威尔士大学悉尼分校，悉尼，新南威尔士州 2052，澳大利亚 e ACRF 儿童癌症药物研发中心，儿童癌症研究所，洛伊癌症研究中心，新南威尔士大学悉尼分校，悉尼，新南威尔士州 2052，澳大利亚 f 艾克斯-马赛大学，马赛公共医院援助，蒂莫内大学医院，法国马赛神经肿瘤科 g 法国马赛 AP-HM La Timone 儿童医院儿科肿瘤科和血液科 h 法国马赛 13385 Metronomics 全球健康倡议
人工智能在药物筛选中的作用……
随着计算能力的快速发展以及计算化学和生物学的进步，计算工具在药物发现和开发中的作用变得越来越重要，提高了研究效率，降低了临床前和临床试验的成本和潜在风险。机器学习，尤其是深度学习，作为人工智能 (AI) 的一个分支，在药物发现和开发中表现出显著的优势，包括高通量和虚拟筛选、药物分子的从头设计以及解决困难的有机合成。本综述总结了药物发现和开发中使用的 AI 技术，包括它们在药物筛选、设计和解决临床试验挑战中的作用。最后，讨论了基于 AI 技术的药物发现和开发面临的挑战以及未来的潜在方向。
使用配备高分辨率 LC/Q-TOF 的 LC 筛选工具进行毒理药物筛选
本应用报告详细介绍了在复杂生物基质中进行毒理药物筛选的方法。该方法是在 Agilent Revident 液相色谱/四极杆飞行时间质谱仪 (LC/Q-TOF MS) 上开发的，配有 Agilent ChemVista 光谱库管理器和 Agilent MassHunter 定量分析软件 12.1 版。嵌入在 MassHunter 定量分析软件中的 LC Screener 工具用于快速查看数据独立采集 (DIA) 方法的结果，该方法适用于典型的大浓度范围内的多种目标分析物。本应用报告描述了完整的筛选工作流程，包括样品制备、可疑药物筛选和数据分析结果，用于在相关生物基质中筛选毒理药物。
利用 Tempus AI 的先进成像功能彻底改变药物筛选
Tempus AI 开发了一种基于神经网络的模型，可将光学显微镜图像转换为虚拟荧光图像，从而无需使用细胞毒性染料。此外，该模型更引人注目的扩展比虚拟染色更进一步，可以预测药物对光学显微镜图像中存在的所有类器官的疗效，从而实现对药物反应的时间监测。该模型称为正则化条件对抗 (RCA) 网络，是生成对抗网络 (GAN) 的创新扩展，专为图像生成和生存力预测而量身定制。RCA 网络在多种癌症类型的 29,000 多对图像的多样化数据集上进行训练，可准确复制荧光信号并直接从明场图像评估药物反应。
基于患者来源的人类成纤维细胞的戈谢病体外药物筛选模型的表征
图 1. 人类 iPSC 发育成脑类器官的代表性图像。(A) 健康个体的人类诱导多能干细胞集落。(B) 接种在圆底板中的 DIV2 胚状体。(C) DIV7 胚状体，神经外胚层的形成表现为胚状体周围的光晕。(D) DIV10 胚状体嵌入 Matrigel 中，支持神经上皮的形成。(E) DIV13 脑类器官，神经花结的存在代表干细胞分化为神经祖细胞。(F) DIV34 脑类器官，其中类器官的直径 >1,000 µm。(G) DIV35 类器官中神经元前体 SOX2（红色）和成熟神经元 NeuN（白色）的免疫组织化学染色。
基于单分子追踪的药物筛选
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2024 年 8 月 4 日发布。；https://doi.org/10.1101/2023.11.12.566743 doi：bioRxiv preprint
结肠直肠癌球体和类器官作为体外药物筛选的工具
结直肠癌 (CRC) 是一种异质性疾病。传统的二维 (2D) 培养采用细胞系，用于体外研究 CRC 的分子特性。尽管这些细胞系是从癌症发展的肿瘤微环境分离出来的，但由于细胞系无法重现原始肿瘤特征，以及这种 2D 模型缺乏异质性临床肿瘤，与体内情况不同，因此将其转化为人体模型（例如研究药物反应）通常会受到阻碍。这些限制可以通过利用由球体和类器官组成的三维 (3D) 培养来克服。在过去十年中，在优化培养方法以建立包括 CRC 在内的实体肿瘤球体和类器官方面取得了巨大进展，可用于多种目的，包括药物筛选和建立个性化医疗。这些结构已被证明是研究 CRC 进展和揭示其异质性的多功能和稳健模型。本综述将介绍 3D 培养技术的进展以及 CRC 衍生的球体和类器官作为筛选抗癌药物的方式的应用和挑战。
来自细胞系的多组学和药物筛选数据的统计整合
数据集成方法用于获得多个数据集的统一摘要。对于多模态数据，我们提出了一种计算工作流程来联合分析来自细胞系的数据集。该工作流程包括一种用于多组学数据的新型概率数据集成方法，称为 POPLS-DA。该工作流程的动机是对突触核蛋白病的研究，其中在受影响的 LUHMES 细胞系和对照中测量转录组学、蛋白质组学和药物筛选数据。目的是突出显示与突触核蛋白病有关的潜在可用药途径和基因。首先，使用 POPLS-DA 优先考虑最能区分病例和对照的基因和蛋白质。对于这些基因，构建了一个集成的相互作用网络，其中结合了药物筛选数据以突出显示网络中的可用药基因和途径。最后，进行功能富集分析以识别保护性药物靶向的突触和溶酶体相关基因和蛋白质簇。将 POPLS-DA 与其他单组学和多组学方法进行了比较。我们发现，热休克蛋白 70 家族成员 HSPA5 是经过验证的药物（尤其是 AT1 阻滞剂）最常针对的基因之一。HSPA5 和 AT1 阻滞剂之前已被证实与 α-突触核蛋白病理和帕金森病有关，这表明我们的发现具有相关性。我们的计算工作流程确定了治疗突触核蛋白病的新方向。与其他单组学和多组学方法相比，POPLS-DA 提供了更大的可解释基因集。基于 R 和 markdown 的实现可在线免费获取。