- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
Drug Target Review | 开发一种算法来预测药物性肝损伤
DILI的影响 DILI是药物开发过程中化合物损耗的主要原因，并且是停药和限制药物最常见的原因之一。 ? 预防DILI的安全预防措施 Ross强调说：“尽早减轻药物开发中的DILI风险，不仅可以确保更好的患者安全性，还可以帮助制药公司节省与药物开发相关的时间和成本，最终帮助更快地将药物推向市场。” 鉴于当前的动物试验尚不足以预测潜在的临床DILI风险，因此这尤其成问题。 该项目背后的理由：开发一种可以对来自先例药物的高质量数据进行训练的算法，以证明是否存在DILI问题，以更好地预测药物开发初期在临床中DILI的可能性。 该算法将评估和区分可能会在易感患者中引起DILI的潜在药物的候选药物。 Ross说，目前的想法是，这种输出可能会导致产生“ DILI得分”。
75640发布于 2021-02-01 - 来自专栏类器官/器官芯片/3D培养
肝脏微生理系统在胆汁淤积性DILI预测中的应用分析
一、问题背景：DILI预测中的关键挑战药物诱导的肝损伤（DILI）是药物研发失败的重要原因之一。其中，胆汁淤积性DILI由于其机制复杂，在体外模型中较难准确预测，一直是药物安全评估中的难点问题。 模型稳定性是影响实验可靠性的关键因素五、一个重要结论：模型结构影响预测能力通过对比可以发现：不同体外模型在预测能力上存在明显差异其根本原因在于：微环境模拟程度流体力学条件细胞状态维持能力对于胆汁淤积性DILI 更高生理相关性的模型通常具有更好的预测能力六、总结在药物安全评估中：单一模型难以覆盖所有毒性机制模型选择应基于具体研究目标肝脏微生理系统通过模拟体内动态环境：提高细胞功能稳定性增强机制研究能力有助于提升DILI 预测的可靠性未来在体外模型发展中：如何平衡复杂度、稳定性与可重复性，将成为重要方向参考说明本文内容基于公开研究资料整理，用于分析不同肝脏模型在胆汁淤积性DILI研究中的表现差异。
4000编辑于 2026-03-25 - 来自专栏DrugOne
Nat. Commun. | 大规模人类毒性基因组学资源助力药物性肝损伤的早期预测
药物诱导性肝损伤（DILI）是药物研发晚期最难处理的问题之一，每家大型药企每年因此损失可达数亿美元。DILI 的临床发生率极低（通常 <1/10,000），导致临床试验难以捕获真正风险。 动物模型能识别的 DILI 药物不到一半，使其成为药物撤市的主要原因。 结果 DILImap：首个大规模人类毒性基因组学 DILI 数据资源 研究人员构建了目前规模最大的 DILI 专用 RNA-seq 数据库，包括： 300 个化合物（DILI 阳性、阴性、特异体质型等） 训练出可预测 DILI 概率的模型。 DILI 中关键通路与基因的系统性识别 模型识别出与 DILI 风险高度相关的通路，包括： 氨基酸代谢紊乱 脂肪酸生物合成与 β-氧化受阻 色氨酸代谢 铁死亡（ferroptosis） PXR/CAR/
31010编辑于 2025-11-17 - 来自专栏科研菌
4+分临床回顾性研究深度分享
ALT轻微升高；混合型以ALT和ALP水平升高为特征，其中肝细胞型更常见，主导引发严重性DILI。 此外，在病理生理学水平上，可以以最常见的剂量非依赖性不可预测类别和剂量依赖性可预测类别区分两种DILI。 根据DILI的临床定义，使用以下阈值来表示DILI： （1）ALT ≥ 5× ULN（upperlimit of normal, 正常值上限）； （2）ALT ≥ 3 × ULN和胆红素≥ 2 × ULN 此外，有3名患者符合DILI的一个标准，即“ALT ≥ 5 × ULN”（如下表3颜色标记）。 ? 在4例患者中，联合使用抗抑郁药和抗精神病药物（奎硫平、奥氮平）与DILI风险相关，而在停用抗精神病药物或抗抑郁药-抗精神病药物后，水平正常化。
1.8K31发布于 2020-12-29 - 来自专栏药物代谢与原代肝细胞研究
胆汁淤积性DILI为何难预测？PhysioMimix Liver-12肝脏MPS模型与传统2D培养体系对比研究
摘要药物诱导的肝损伤（Drug-Induced Liver Injury，DILI）是导致候选药物研发失败以及上市后撤市的重要原因之一。 其中，胆汁淤积性DILI由于涉及胆汁酸代谢、转运体调控、线粒体功能以及细胞应激等多种复杂机制，一直被认为是体外安全性评价中最具挑战性的研究方向之一。 关键词：DILI、胆汁淤积、肝脏MPS、器官芯片、PhysioMimix、原代人肝细胞、药物安全性评价、NAMs一、为什么胆汁淤积性DILI长期难以准确预测？ 相比直接细胞毒性，胆汁淤积性DILI往往涉及胆汁酸合成、转运、排泄以及细胞应激等多个环节，其发生机制更加复杂。 六、总结胆汁淤积性DILI一直是药物安全性评价领域的重要挑战之一。
2010编辑于 2026-05-29 - 来自专栏DrugOne
为虚拟细胞高性价比产生药物扰动转录组数据的技术-DRUG-seq2
2025 年 11 月发表在《Nature Communications》一篇药物诱导性肝损伤（DILI）预测的研究论文，其核心是构建了目前规模最大的毒性转录组学资源与高效预测框架，为药物研发中的肝毒性风险评估提供了新方案 研究思路 构建 了大规模数据库DILImap ： 这是研究打造的目前规模最大的 DILI 专用 RNA-seq 数据库，涵盖 300 种化合物，包含 DILI 阳性、阴性、特异体质型等不同类型，且每种化合物设置了多个浓度梯度 其先解析药物暴露 24 小时后人源初级肝细胞的 RNA-seq 转录组变化，提取差异基因与通路的激活模式，再结合临床 DILI 标签，用随机森林集成模型（30 个随机森林模型组合）开展训练。 最终能输出剂量分辨的 DILI 概率，还可结合临床血药峰浓度建立安全边界，实现对药物肝毒性风险的分类和相关机制解析。
29010编辑于 2025-12-17 - 来自专栏技术派
thinkphp 抓取网站的内容并且保存到本地的实例详解
public function download() { $http = new OrgNetHttp(); $url_pref = "http://www.dzkbw.com/books/rjb/dili $i = $i+1; } while ($result==1); echo "下载完成"; } 我这里是以人教版地理七年级地理上册为例子 http://www.dzkbw.com/books/rjb/dili
93330发布于 2021-07-02 - 来自专栏数据驱动实践
R语言绘制中国地图：着色省份、标注省份名称
600","600~1000","1000+"))+ # 绘制国境线及十/九段线 geom_sf(data = gjx)+ geom_text(data = province,aes(x=dili_Jd ,y=dili_Wd,label=省市), position = "identity",size=3,check_overlap = TRUE) + labs(title="
5.7K20发布于 2020-11-03 - 来自专栏庄闪闪的R语言手册
R 语言绘制十段线地图，给特定省份填色
CHINA,fill='NA') + # 绘制国界线及十段线 geom_sf(data = gjx)+ ##添加省份名称 geom_text(data = province,aes(x=dili_Jd ,y=dili_Wd,label=省市),position = "identity",size=3,check_overlap = TRUE) + labs(title="中国地图")+ theme +") ) + geom_sf(data = gjx) + geom_text( data = province, aes(x = dili_Jd , y = dili_Wd, label = 省市), position = "identity", size = 3, check_overlap =
3.4K30编辑于 2022-10-31 - 来自专栏最新最全的大数据技术体系
基于内存的分布式NoSQL数据库Redis(三)常用命令
zscore：获取评分 语法：zscore K k node1:6379> zadd zset1 99.5 yingyu 30.7 shuxue 29.9 yuwen 100 shengwu 56.73 dili (integer) 5 node1:6379> zrange zset1 0 -1 1) "yuwen" 2) "shuxue" 3) "dili" 4) "yingyu" 5) "shengwu" node1:6379> zrevrange zset1 0 -1 1) "shengwu" 2) "yingyu" 3) "dili" 4) "shuxue" 5) "yuwen" node1:6379 > zrevrange zset1 0 -1 withscores 1) "shengwu" 2) "100" 3) "yingyu" 4) "99.5" 5) "dili" 6) "56.729999999999997 integer) 1 node1:6379> zrevrange zset1 0 -1 withscores 1) "shengwu" 2) "100" 3) "yingyu" 4) "99.5" 5) "dili
36250编辑于 2023-10-17 - 来自专栏药物代谢与原代肝细胞研究
肝脏微生理系统（Liver MPS）在药物诱导肝损伤DILI研究中的应用：Liver-48高通量筛选与Liver-12机制解析
摘要药物诱导肝损伤（DILI）是药物研发过程中导致项目失败的重要因素之一。 关键词：肝脏MPS、肝微生理系统、药物诱导肝损伤、DILI、先导物筛选、毒理机制、临床前评价、Liver-48、Liver-12、PhysioMimix*图：SOT2026年会暨毒理学博览会*一、肝脏微生理系统在药物安全评价中的研究价值预测临床安全性一直是药物研发中的关键问题之一 关于技术来源本文基于器官芯片、肝脏MPS、肝微生理系统、DILI等公开资料、参考文献曼博生物整理，用于科研技术交流和实验参考。
7310编辑于 2026-05-27 - 来自专栏智药邦
从组学数据中进行机器学习
在药物发现中，识别引起药物性肝损伤（Drug-Induced Liver Injury，DILI）的化合物是非常重要的。 3568个样本被归类为DILI阳性，2432个为DILI阴性。由于对所有样本进行全RNA测序的成本过高，作者选择了978个有代表性的标志性基因进行定量分析。 当前的任务是建立一个二元分类模型，将一个新的化合物转录组特征分类为DILI阳性或阴性。然而，在深入研究模型选择的细节之前，让我们先仔细看看数据。 最引人注目的观察结果是有两个集群：左手边的异质性集群和右手边的以DILI负数为主的集群。简单地说，在我们的分类任务中，有一些容易的案例，也有一些困难的案例。 图2的右边部分显示了一个直方图，总结了每个特征和目标之间的相互信息（mutual information, MI），这里的目标是DILI类。
1.2K20编辑于 2021-12-20 - 来自专栏量子位
微软开发无人店技术叫阵Amazon Go，以后沃尔玛也能拿了就走？
亚马逊副总裁Dili Kumar说，Amazon Go的技术仍在优化中——要让系统用更少的数据，来识别物体和动作。 另外，一次姗姗迟来，不代表今后的节奏也会一样缓慢。
61240发布于 2018-06-19 AI+Drug 文献速递 | 结合 3D CNN 与注意力机制，提升蛋白-配体相互作用预测精度
https://github.com/Naga270588/BoostDILI 简介: 研究开发基于极端梯度提升（XGB）的BoostDILI模型，整合RDKit和Mordred描述符预测药物性肝损伤（DILI 该研究为早期药物研发提供了可靠的DILI风险评估工具，结合结构警报助力设计低毒性化合物，推动安全药物开发。 6.
25610编辑于 2026-01-08- 来自专栏智药邦
AI+小分子药物临床安全性和有效性预测｜默克集成Quris的生物人工智能平台
此前，Quris-AI与默克成功进行了为期两年的验证研究，与现有的安全性预测方法相比，Quris-AI在检测药物性肝损伤（DILI）方面的准确性显著提高，从而有可能减少对动物试验的依赖。
42710编辑于 2025-01-22 - 来自专栏细胞培养
人肝非实质细胞NPC如何突破传统肝细胞模型局限？Kupffer Cells、肝星状细胞与LSECs应用解析
研究表明，KupfferCells在药物性肝损伤（DILI）、病毒感染、NASH以及肝纤维化等疾病过程中均具有重要作用。 七、肝NPC在药物ADME-Tox与NASH研究中的应用价值目前，包含肝NPC的高生理相关性肝模型已经被广泛用于：药物ADME研究DILI评价NASH/NAFLD研究肝纤维化机制研究3D肝脏模型构建生物人工肝研究在药物研发过程中
11110编辑于 2026-05-18 - 来自专栏类器官/器官芯片/3D培养
CN Bio肝脏器官芯片研究显示：Thykamine在MASH模型中展现剂量依赖性抗纤维化与抗炎作用
与传统静态培养不同，PhysioMimix能够：维持肝细胞长期代谢活性模拟肝脏血流环境维持肝细胞极化状态支持多细胞间通讯更真实重现疾病过程因此已被广泛应用于：DILI研究ADME研究MASH研究炎症研究药物毒性评价药效学研究等多个方向 其PhysioMimix平台已被全球多家大型制药企业用于：药物研发DILI研究ADME评价毒性预测等方向。目前：全球Top20药企中已有大量企业使用CNBio相关技术。
11010编辑于 2026-05-09 - 来自专栏phodal
分享下 Backbone、Vue、Angular、React 在项目上的使用经验
场景五：Dili https://github.com/phodal/dili To be continue....
3.2K60发布于 2018-01-29 口服小分子为何仍然是最难、也最值得被 AI 改写的药物形态
小分子有一个长期难题：DILI，也就是 drug-induced liver injury，药物诱导肝损伤。 一部分 DILI 是剂量相关的，动物实验和早期临床比较容易发现。 更难的是特异质性 DILI。它可能和免疫机制、代谢物、个体差异有关，发生率很低，却可能在 Phase 3 或上市后暴露出来。 这类风险对口服小分子尤其残酷。 因为许多小分子都要经过肝脏代谢。 比如特异质性 DILI。 真实阳性样本很少，机制高度异质，传统数据集很难支撑模型学习。一个模型可以在总体准确率上看起来很好，但如果它永远预测安全，它仍然可能错过最重要的少数危险案例。
15210编辑于 2026-05-15AI+Drug 文献速递 | 非等变 3D 分子生成新突破：旋转对齐让模型性能媲美 SOTA 且更高效
在不同任务中，模型在Tox21等分类任务上的表现优于如LD50、DILI等机制复杂的任务。此外，研究指出毒性瓶颈仍是修复失败的主要原因，而药物相似性则是次要限制因素。
16410编辑于 2026-01-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号