XiaoMi-AI文件搜索系统
World File Search System靶标
识别 RNA 结合蛋白 TIA 的 mRNA 靶标...
................................................................................................................................................ 37
硫化氢诱导的翻译后修饰作为潜在的药物靶标
抽象的氢硫（H 2 s）是三个已知的气信号传感器之一，由于报道了其潜在的生理作用，因此H 2 S上的文献一直在增加。h 2 s参与了血管舒张，神经传递，血管生成，炎症和预防缺血 - 再灌注损伤等过程，其机制尚待进一步研究。目前，蛋白质翻译后加工的作用已被视为H 2 S参与多种生理过程的可能机制。当前的研究表明，H 2 s参与了蛋白质的S-磺化，磷酸化和S-硝基化。本文着重于涉及H 2 S对生理和病理过程的蛋白质修饰的影响，期待为后续研究提供指导。ª2022作者。Elsevier B.V.的发布服务代表KEAI Communications Co.，Ltd.这是CC下的开放式访问文章（http://creativecommons.org/licenses/by by/4.0/）。
长期非编码RNA作为肺癌的新兴靶标
摘要：长的非编码RNA（LNCRNA）是mRNA样分子，不编码蛋白质，并且超过200个核苷酸。lncRNA在正常细胞生理和生物体发育中起重要的生物学作用。因此，对其活动的放松管制涉及癌症等疾病过程。肺癌是由于诊断后的晚期，远处转移和高治疗衰竭率而导致癌症相关死亡的主要原因。lncRNA因其致癌或肿瘤抑制功能而成为肺癌中重要的分子。lncrNA在循环中非常稳定，为无创和早期癌症诊断工具提供了机会。在这里，我们总结了为LNCRNA在癌症发展，治疗诱导的耐药性中提供的体内证据的最新作品，以及它们作为诊断和预后的生物标志物的潜力，重点是肺癌。此外，我们讨论了靶向lncRNA的当前治疗方法。此处讨论的证据强烈表明，除了蛋白质编码基因外，对肺癌中LNCRNA的研究将提供对癌症开始，发育和进展的分子机制的整体视野，并可以为癌症治疗开辟新的途径。
基于元学习的药物-靶标结合亲和力预测
在药物研发的早期阶段，准确预测靶蛋白与药物的结合行为对于发现具有良好效力和选择性的候选分子至关重要 (Hughes et al., 2011)。药物-靶标结合亲和力 (DTA) 预测是一个回归问题，旨在预测实验测量的结合亲和力值，这有助于对化合物进行排序和优化。尽管它通常比药物-靶标相互作用 (DTI) 预测问题更困难，后者是对活性/非活性化合物的二元分类，但 DTA 预测已根据深度学习的最新进展得到积极解决 (Ragoza 等人，2017 年；Stepniewska-Dziubinska 等人，2018 年；Jim´enez 等人，2018 年；Zhang 等人，2019 年；Jones 等人，2021 年；Abbasi 等人，2020 年；¨ Ozt¨urk 等人，2018 年；Abbasi 等人，2020 年；Nguyen 等人，2020b；2021)。
流感人类T细胞反应的靶标在H5N1
流感人类T细胞反应的靶标在H5N1作者John Sidney 1＃，A-Reum Kim 1＃，Rory D. de Vries 2，Bjoern Peters 1,3，Philip S. Meade 4,5，Florian Krammer 4,5,6,7，Alba Grifoni 1*，Alsesandro Sette 1,3* Inceltion 1,3* Inceltions 1,3* Jolla免疫学研究所（LJI），LA JOLLA，CA 92037，美国2病毒科学系，伊拉斯穆斯大学医学中心，鹿特丹，荷兰3号医学系3号医学系，感染性疾病和全球公共卫生部，加利福尼亚大学，加利福尼亚大学，圣地亚哥大学（UCSD），ucsd） NY, USA 5 Center for Vaccine Research and Pandemic Preparedness (C-VaRPP), Icahn School of Medicine at Mount Sinai, New York, NY, USA 6 Department of Pathology, Molecular and Cell-Based Medicine, Icahn School of Medicine at Mount Sinai, New York, NY, USA 7 Ignaz Semmelweis Institute, Interuniversity Institute for Infection Research, Medical University of Vienna, Vienna, Austria
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。
胃肠道癌中适体的分子靶标
晚期乳腺癌（ABC）已成为一种慢性疾病。在这种情况下，需要一种有效的毒性疗法和经济上可以接受的疗法。元素葡萄链宾（MVNR）已被证明对MBC的控制有效。这项研究的目的是评估MVNR作为ABC患者的挽救疗法的功效和安全性。口服葡萄链（VNR）以70 mg/m2的速度给予，在第1、3和第5天分离，在3周和1周休息3周。一旦将MVNR与曲妥珠单抗合并或与贝伐单抗结合在一起，时间表就会更改为2周和1周的休息时间。收集并分析接受过MVNR和肿瘤特征治疗的ABC患者的临床数据。3月2013年至2020年12月，有90例ABC患者接受了MVNR。在这项研究中，总体反应率为53.3％，总体疾病控制率（DCR）为78.9％，包括44（4.4％）案件达到完全反应，44（48.9％）的病例达到了部分反应，23例（25.6％）病例是表疾病。Lumina A患者的治疗失败时间（TTF）为13.3个月，Lumina B患者为9.1个月，Her-2富集患者为8.9个月，三重阴性乳腺癌（TNBC）患者为5.6个月。Lumina A，Lumina B，HER-2富集和TNBC的总体生存时间中位数为54.6个月，53.3个月，59.5个月零24.5个月。副作用最少且易于管理。计量VNR可以是ABC的有效治疗方法，可以用作开关维护或打捞疗法。与靶疗法或荷尔蒙治疗结合使用，MVNR可以进一步改善TTF和DCR的最小毒性。进一步的研究应集中于最佳剂量，时间表和组合方案。
商店经营的钙通道作为胃食管癌的药物靶标
胃食管癌，包括在食道和胃中发生的肿瘤，通常的预后较差，并且缺乏有效的化学治疗药物治疗。储存量失调的钙进入（SOCE）之间的关联，关键的细胞内Ca 2+信号通路和胃食管癌正在出现。本综述总结了了解SOCE介导的细胞内Ca 2+信号对胃食管癌的贡献的最新进展。它评估了每个成分在SOCE机械中的病理生理作用，例如ORAIS和STIM在癌细胞增殖，迁移和侵袭以及保持干性的维持中的病理生理作用。最后，它讨论了为开发更多特定和有效的SOCE抑制剂开发的努力，这可能是一组新的化学治疗药物出现在地平线上，以提供有针对性的治疗或辅助治疗，以克服对胃食管癌的耐药性。
DTI-MLCD：使用多重预测药物-靶标相互作用...
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。为了降低实验成本，已经提出了大量用于此任务的计算方法。已经开发了基于机器学习的模型，尤其是二元分类模型来预测药物-靶标对是否相互作用。然而，当前方法的性能仍有很大改进空间。多标签学习可以克服单标签学习带来的一些困难，从而提高预测性能。多标签学习面临的关键挑战是指数级的输出空间，考虑标签相关性有助于克服这一挑战。在本文中，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。此外，我们更新了黄金标准数据集，在该数据集的基础上添加了 15,000 个以上的 DTI 正样本，该数据集自 2008 年以来已被大多数先前发布的 DTI 预测方法广泛使用。所提出的 DTI-MLCD 应用于这两个数据集，证明了它优于其他机器学习方法和几种现有方法。本研究的数据集和源代码可在 https://github.com/a96123155/DTI-MLCD 上免费获取。