腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

DrugAI

关注人工智能与化学、生物、药学和医学的交叉领域进展，提供“原创、专业、实例”的解读分享。

专栏作者

1050

文章

643504

阅读量

112

订阅数

Nat. Commun. | 借助机器学习设计和筛选合成细胞中新兴蛋白质功能

机器学习 nat 模型设计系统

今天为大家介绍的是来自Petra Schwille团队的一篇论文。最近，机器学习（ML）的应用为计算蛋白质设计领域带来了惊人的进步，使得针对工业和生物医药应用的蛋白质定向工程设计成为可能。然而，为细胞核心相关的新兴功能设计蛋白质，比如能够在时空上自组织并因此构建细胞空间的能力，仍然极具挑战。虽然在生成方面，条件生成模型和多状态设计正在兴起，但对于新兴功能而言，无论是计算上还是实验上，都缺乏专门为蛋白质设计项目所需的筛选方法。在这里作者展示了如何为机器学习生成的蛋白质变体实现这种筛选，这些蛋白质变体能在细胞内形成时空模式。对于计算筛选，作者采用了一种基于结构的分而治之方法来找到最有希望的候选者，而对于随后的体外筛选，作者使用了由自下而上的合成生物学建立的合成细胞模拟体。

2024-04-12

500

Nat. Biotechnol. | 应用机器学习于功能性蛋白质设计

机器学习 nat 模型设计数据

今天为大家介绍的是来自Debora Marks团队的一篇论文。近期在人工智能领域的突破性进展，加上蛋白质序列和结构数据的快速积累，已经彻底改变了计算蛋白质设计的面貌。新方法有望打破自然和实验室进化的限制，加速生成用于生物技术和医学中的蛋白质。为了理解机器学习方法多样化爆炸的情况，作者提出了一个统一的框架，该框架根据模型使用的三种核心数据模态来分类：序列、结构和功能标签。

2024-03-19

990

J. Chem. Inf. Model. | 基于序列和基于结构的蛋白质-配体相互作用机器学习方法

model 模型数据性能机器学习

开发新药既昂贵又耗时。准确预测药物和靶标之间的相互作用可能会改变药物的发现方式。基于机器学习的蛋白质-配体相互作用预测已经显示出巨大的潜力。本文重点对基于序列和基于结构的蛋白质-配体相互作用机器学习方法进行了总结。因此，本文首先概述了该领域应用的数据集，以及用于表示蛋白质和配体的各种方法。然后，利用基于序列和基于结构的分类标准对经典机器学习模型和深度学习模型进行分类和总结，用于蛋白质-配体相互作用的研究。此外，还提出了这些模型的评价方法和可解释性。此外，深入探讨了蛋白质-配体相互作用模型在药物研究中的各种应用。最后，讨论了该领域目前面临的挑战和未来的发展方向。

2024-03-07

1870

J. Chem. Inf. Model. | 预测化学反应产率面临的挑战

model 编码模型数据机器学习

今天为大家介绍的是来自Varvara Voinarovska团队的一篇论文。这篇论文讨论了器学习（ML）在预测化学领域的高级特性（如产率、化学合成的可行性和最佳反应条件）时面临的挑战。这些挑战来源于预测任务的高维性质以及涉及的众多关键变量，包括反应物、试剂、催化剂、温度和纯化过程等。成功开发出可靠的预测模型不仅有助于优化高通量实验，还可以提升现有的逆合成预测方法，并在该领域内的多种应用中发挥重要作用。

2024-02-23

1020

J. Chem. Inf. Model. | Chemprop一个用于化学性质预测的机器学习软件包

神经网络 model 模型数据机器学习

今天为大家介绍的是来自Charles J. McGill团队的一篇论文。深度学习在分子性质预测中有了广泛的应用。目前非专家用户对开源、多功能软件解决方案有着急切的需求。定向消息传递神经网络（D-MPNNs）是一种有效的深度学习方法，它在多种性质预测任务中表现出色。因此作者发布了他们的方法，Chemprop，它实现了D-MPNN架构，并且提供了简单、易用、快速访问机器学习分子性质的方法。

2024-01-25

3420

J. Chem. Inf. Model. | 分子属性景观粗糙度及其对模型影响

机器学习 model 模型数据优化

今天为大家介绍的是来自Connor W. Coley团队的一篇论文。药物发现领域通常会定性或定量地分析结构-属性关系和活性景观，以指导化学空间的探索。这些分子属性景观的粗糙度（或平滑度）是最常研究的几何特性之一，因为它可以表征活性悬崖的存在，一般认为景观越粗糙，优化难度就越大。文章中介绍了一种描述分子属性景观粗糙度的通用量化指标——粗糙度指数（ROGI）。这个指数受到分形维数概念的启发，并且与机器学习模型在众多回归任务中的样本外误差有很强的相关性。

2024-01-18

780

J. Med. Chem. | 利用网络科学和机器学习预测专利关键化合物的创新框架

模型数据网络机器学习框架

今天为大家介绍的是中南大学湘雅药学院曹东升教授团队和香港浸会大学吕爱平教授团队合作提出了一种预测专利中关键化合物的方法PatentNetML（图1）。该方法利用网络科学和机器学习技术，通过整合网络指标（基于化学结构相似性网络计算）、ADMET 属性和其他分子描述符，构建分类模型预测专利中的关键化合物。研究结果近期在线发表于Journal of Medicinal Chemistry，题为“PatentNetML: A Novel Framework for Predicting Key Compounds in Patents using Network Science and Machine Learning”。

2024-01-17

1000

ACS Cent. Sci. | 可解释的机器学习在代谢组数据上揭示帕金森病的生物标志物

机器学习神经网络模型数据性能

今天为大家介绍的是来自William A. Donald团队的一篇论文。论文介绍了一种基于机器学习（ML）的方法，用于处理代谢组数据，旨在早期诊断疾病。虽然机器学习与代谢组学的结合提供了早期诊断疾病的机会，但由于解释疾病预测模型的挑战以及分析大量相关且“嘈杂”的化学特征的困难，这种方法的准确性和获取的信息量可能受到限制。在这项研究中，研究团队报告了一种可解释的神经网络框架，它可以准确地预测疾病并在不需要预先选择特征的情况下，使用完整的代谢组数据集识别重要的生物标志物。

2024-01-03

1910

Nat. Mach. Intell. | 通过交互式自然语言对话解释机器学习模型

机器学习 nat 模型数据系统

今天为大家介绍的是来自Dylan Slack团队的一篇论文。人们越来越多地使用机器学习（ML）模型，但模型变得越来越复杂，难以理解。为了理解复杂的模型，研究人员提出了解释模型预测的技术。然而，实际操作中难以使用可解释性方法，因为他们不知道应该选择哪种解释以及如何解释这种解释。在这里，作者通过提出TalkToModel来解决使用可解释性方法的挑战：一个通过自然语言对话解释ML模型的交互式对话系统。

2023-12-04

1600

Nat. Mach. Intell. | 预测人工智能的未来：在指数级增长的知识网络中使用基于机器学习的链接预测

机器学习人工智能 nat 论文网络

今天为大家介绍的是来自Mario Krenn团队的一篇论文。一个能够通过从科学文献中获取洞见来建议新的个性化研究方向和想法的工具，可以加速科学的进步。一个可能受益于这种工具的领域是人工智能（AI）研究，近年来科学出版物的数量呈指数级增长，这使得人类研究者难以跟上进展。在这里，作者使用AI技术来预测AI自身的未来研究方向。

2023-11-27

1510

Nat. Rev. Chem. | 一份关于用机器学习研究化学问题的评估指导

机器学习 nat 模型数据性能

今天为大家介绍的是来自Tiago Rodrigues团队的一篇论文。机器学习（ML）有望解决化学领域的重大挑战。尽管ML工作流程的适用性极广，但人们通常发现评估研究设计多种多样。目前评估技术和指标的异质性导致难以（或不可能）比较和评估新算法的相关性。最终，这可能延迟化学的大规模数字化，并使方法开发者、实验人员、审稿人和期刊编辑感到困惑。在这篇综述中，作者批判性地讨论了不同类型的基于ML的出版物的方法开发和评估指导原则。

2023-11-27

1080

PNAS | 蛋白质结构预测屈服于机器学习

机器学习设计数据算法网络

今天为大家介绍的是来自James E. Rothman的一篇短文。今年的阿尔伯特·拉斯克基础医学研究奖表彰了AlphaFold的发明，这是蛋白质研究历史上的一项革命性进展，首次提供了凭借序列信息就能够准确预测绝大多数蛋白质的三维氨基酸排列的实际能力。这一非凡的成就是由Demis Hassabis、John Jumper以及他们在Google DeepMind和其他合作者的同事们共同取得的，它建立在几十年的实验性蛋白质结构确定（结构生物学）和多种融合生物启发的统计方法的渐进发展基础之上。但是，当Jumper和Hassabis将创新的基于神经网络的机器学习方法融入其中时，结果引起了轰动。实现半个世纪以来的蛋白质结构预测梦想已经加速了化学、生物学和医学等多个领域的进展和创新。

2023-11-13

3030

Nat. Med. | 基于遗传学原发部位未知癌症的分类和治疗反应预测

机器学习 nat 开发数据性能

今天为大家介绍的是来自Alexander Gusev团队的一篇论文。原发部位未知癌症（Cancer of unknown primary，CUP）是一种无法追溯到其原发部位的癌症，占所有癌症的3-5％。CUP缺乏已建立的靶向治疗方法，导致普遍预后不佳。作者开发了OncoNPC，这是一个基于机器学习的分类器，使用来自三个机构的22种癌症类型中的36,445个肿瘤的定向次世代测序（NGS）数据进行训练。肿瘤NGS基础的原发癌类型分类器（OncoNPC）在保留的肿瘤样本上取得了加权F1分数为0.942的高置信度预测（≥ 0.9）。

2023-11-06

1430

J. Med. Chem. |基于生成网络的阿片类物质使用障碍治疗的多目标分子优化

机器学习模型数据网络优化

阿片类物质使用障碍（OUD）已成为一个重要的全球公共卫生问题。针对OUD的主要治疗方法通常包括药物和行为干预的综合应用，旨在解决成瘾的生理和心理方面，促进康复，并防止复发。美国食品药品监督管理局（FDA）已批准了三种药物，包括美沙酮、布比洛芬和纳曲酮，用于OUD的治疗。这些药物通过与大脑中的阿片受体结合发挥作用，即μ阿片受体（MOR）、kappa阿片受体（KOR）和delta阿片受体（DOR）。美沙酮是一种长效阿片受体激动剂，主要作用于MOR。它有助于减轻戒断症状和渴望。布比洛芬则作为部分性阿片受体激动剂，主要针对MOR。它缓解戒断症状和渴望，同时产生较少的欣快感，并且与美沙酮相比，呼吸抑制的风险较低。纳曲酮被归类为阿片受体拮抗剂，它阻止了阿片类药物的作用，并减少了愉悦效应。它的作用机制主要涉及MOR，但它也对KOR具有一定的亲和力。在这项研究中，作者提出了一个深度生成模型，将基于随机微分方程（SDE）的扩散模型与预训练的自编码器相结合。分子生成器能够高效地生成针对多种阿片受体的分子。

2023-11-03

2020

用于战争后的创伤后应激障碍的机器学习预测模型

机器学习部署模型数据性能

今天为大家介绍的是来自Murray B. Stein团队的一篇论文。战争涉及到生命受威胁的重大经历，这可能导致创伤后应激障碍（PTSD），准确的在军事部署前预测PTSD风险可能有助于制定有针对性的干预策略。

2023-11-03

1530

开发和验证用于在手术前识别高风险术后不良事件患者的机器学习模型

机器学习开发模型事件数据

今天为大家介绍的是来自Aman Mahajan团队的一篇论文。在手术前识别高风险不良结果的患者，可以为改善术后结果提供干预机会；然而，目前很少有用于自动预测的工具。作者的目的是评估仅使用电子健康记录中的数据来识别手术高风险不良结果的患者的自动机器学习模型的准确性。

2023-10-27

1690

GPT-4 加速合成生物学的知识挖掘和机器学习

机器学习 gpt 论文模型数据

今天为大家介绍的是来自Garrett W. Roell, Yixin Chen和Yinjie J. Tang团队的一篇论文。从合成生物学期刊文章中挖掘知识以供机器学习（ML）应用是一项耗时的工作。自然语言处理（NLP）工具的发展，比如 GPT-4，可以加速在复杂菌株工程和生物反应器条件下发布的与微生物性能相关的信息的提取。作者提出了一个面向GPT-4 的工作流程，从两种酵母（Yarrowia lipolytica 和 Rhodosporidium toruloides）的 176 篇出版物中提取知识。经人工干预后，该流程获得了总共 2037 个数据实例。结构化的数据集和特征选择使 ML 方法能够以相当高的准确性预测 Yarrowia 的发酵产量。

2023-10-27

2260

大分子药物发现中的人工智能公司格局

机器学习人工智能工具开发模型

人工智能（AI）技术，如机器学习，正在改变药物研究和开发（R＆D）领域，得益于不断增长的数据和计算能力。历史上，小分子化合物一直是药物发现中应用AI的前沿，包括建模小分子与靶点的相互作用、优化潜在候选药物和预测安全性。然而，AI工具越来越多地应用于大分子药物类型，包括抗体、基因疗法和基于RNA的疗法。这些疗法占据了生物制药行业当前产品组合的重要份额，2022年获批新分子药物中约占40％，并且具有未来商业潜力。例如，在肿瘤领域，大分子药物预计将在2030年占市场收入的约50％，其中超过80％预计将来自抗体。

2023-09-24

1930

WWW 2023 | 药物组合推荐新方法—MoleRec

机器学习医疗集合模型设计

基于机器学习的预测模型在临床决策中显示出巨大潜力，有效地提高了决策的准确性和安全性。这类模型通过深度学习和分析大量的个人医疗数据，能够为医疗专家提供更为准确的疾病诊断和治疗建议。

2023-09-21

3620

Nat. Commun. | 使用机器学习发现抗衰老药物

机器学习 nat 测试模型数据

今天为大家介绍的是来自Vanessa Smer-Barreto，Juan Carlos Acosta和Diego A. Oyarzún的一篇机器学习药物应用的论文。细胞衰老是与衰老和多种疾病过程有关的反应，包括癌症、2型糖尿病等。尽管对靶向消除老化细胞的兴趣不断增加，但由于缺乏良好表征的分子靶点，我们目前仅知道少数几种抗衰老药物。在这里，作者报告了使用机器学习算法在仅使用已发表的数据进行训练的情况下，发现了三种抗衰老药物。作者通过计算筛选了各种化学库，并在多种衰老模式下验证了银杏素、北风茶素和夹竹桃甙在人类细胞系中的抗衰老作用。

2023-09-19

2550

点击加载更多

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态