药物相互作用

Bioinformaties 2018 (B类) 文章目录 Abstract Introduction 2 Materials and methods 2.1 Problem formulation 2.2 The workflow of NeoDTI 3 Results 3.1 Datasets 3.2 NeoDTI yields superior performance in predicting new drug–target interactions 3.3 Robustness of NeoDTI 3.4 NeoDTI reveals novel DTIs with literature supports 4 Conclusion Abstract Motivation: 在计算机上准确预测药物-靶标相互作用（DTI）可以指导药物发现过程，从而促进药物开发。 采用系统生物学观点的DTI预测计算方法通常采用以下原理：药物和靶标的特性可以通过其在生物网络中的功能角色来表征。 Results:受信息传递和聚合技术的最新发展的启发，这些技术可以使卷积神经网络通用化以挖掘大规模图数据并大大提高许多与网络相关的预测任务的性能，我们开发了一种新的非线性端到端学习模型，称为NeoDTI，可整合来自异构网络数据的各种信息，并自动学习保留药物和靶标的拓扑结构表示，以促进DTI预测

IEEE EMBS International Conference on Biomedical & Health Informatics ICBHI 2019(应该是B类) 文章目录 Abstract Introduction Similarity Indices Prediction Methodology A. Problem Statement B. BG-WLNM Workflow Experimental Results A. Datasets Abstract 预测缺失的药物-靶标关系可以帮助加快药物研究中化学药物与靶标蛋白之间未知相互作用的鉴定过程。 在本文中，我们完全基于拓扑网络，采用Weisfeiler-Lehman神经网络方法来捕获特征，并了解药物-靶标相互作用的模式。 我们证明了我们的方法能够学习复杂的药物靶向拓扑特征，并且在AUROC方面优于其他基于相似性的方法。 Introduction 确定药物-靶标相互作用（DTI）是药物科学的重要组成部分[1]。 每个药物发现过程涉及的成本约为18亿美元，持续时间可能会超过10年[2]。 因此，药物-靶标相互作用的预测可能会缩小搜索空间，从而帮助到生物学家。 药物-靶标相互作用的预测旨在鉴定已知/新靶标与已知/新药物之间的可能相互作用。 近年来，化学基因组学方法变得越来越流行