- 综合排序
- 最热优先
- 最新优先
- 来自专栏智药邦
使用AlphaFold3进行合理的药物设计
AlphaFold 3为科学和药物设计带来的希望 对于Isomorphic Labs来说，AlphaFold 3使药物设计人员能够快速准确地预测从未表征过的复合物结构，为药物设计人员提供了一种基础工具， 我们相信，这种对药物靶点运作环境的更广泛理解将转化为临床上更有效的药物。 为了证明AlphaFold 3在基于结构的合理药物设计方面的潜力，Isomorphic的科学家研究了TIM-3，这是一种免疫检查点蛋白，在2021年发表的一篇论文中被确定为癌症免疫疗法的潜在靶点。 通过这个例子，AlphaFold 3证明了它能够准确地从结构上描述药物分子设计的进展。 展望未来 Isomorphic已经在内部项目以及与制药公司的合作中部署了AlphaFold 3的前沿版本。 但AlphaFold 3只是Isomorphic正在研究的众多人工智能突破之一，这些突破是改变药物发现所必需的--结构理解只是其中的一部分。
89610编辑于 2024-05-10 3D-EDiffMG：基于强弱原子力编码，优化药物分子生成
generation to accelerate drug discovery》系统梳理了药物研发中分子生成技术的前沿进展。 研究团队来自海南大学和中山大学，他们通过构建3D-EDiffMG模型这一主要方法，揭示了该技术在药物研发中优化先导化合物结构、加速药物发现的重要意义。 一、药物研发的困境与挑战 药物研发是一个漫长、烧钱且成功率低的过程，其中先导化合物的结构优化又是关键环节。以往，这个过程主要依赖传统的经验优化策略，但化学空间极为庞大，传统方法很难全面探索。 它能利用高效的信息捕捉能力，对复杂的化学空间进行建模并提取关键特征，通过修改先导化合物中的特定原子，快速生成类似药物的分子，助力结构优化。 3D-EDiffMG模型整体表现也很出色，在各项指标上排名靠前。 此外，研究团队针对猴痘病毒治疗药物tecovirimat展开研究。
20710编辑于 2026-01-08- 来自专栏智药邦
徐峻｜人工智能与药物设计学：新范式探索 (3)
随着信息技术的不断发展，药物设计方法学的新概念、新方法和新思路持续更新，药物发现范式也与时俱进。 中山大学药物分子设计研究中心徐峻教授是人工智能与药物设计领域的知名学者。自上世纪 80 年代末，就长期在科研第一线从事分子信息学算法研究和药物发现实验研究，研究领域横跨化学、药学和信息科学。 基于天然配体与受体的结合模式，人们可以采用基于结构的药物设计（SBDD）或基于配体的药物设计（LBDD）的方法发现和优化药物的先导化合物。 传统的 LBDD 药物设计方法建立在QSAR概念之上，其流程如图 4-3-1 所示。 图 4-3-1. 传统的 QSAR 方法在药物设计过程中的应用。 3.2 传统的机器学习方法 人工智能在药物设计中的应用一直是化学信息学的内容。传统的人工智能辅助 LBDD 方法流程如图 4-3-2 所示。 图 4-3-2. 人工智能辅助 LBDD 方法流程。
1.1K12编辑于 2022-04-13 - 来自专栏DrugOne
ICLR 2025 | 3DMolFormer: 基于结构的药物发现的双通道框架
基于结构的药物发现，包括蛋白质-小分子配体对接（docking）和针对靶点口袋的3D药物设计两个任务，是药物发现领域的核心挑战。 针对上述问题，作者提出了3DMolFormer，一个统一的双通道transformer框架来解决docking和3D药物设计两个任务，其中通过在药物设计过程中使用docking功能，利用了这两项任务之间的对偶性 特别地，为了利用两个任务之间的对偶性，3D药物设计中利用了docking微调后的功能。 在蛋白质-配体对接和针对靶点口袋的3D药物设计的对比实验中，3DMolFormer方法都表现出了超越此前基线方法的性能。 在针对靶点口袋的3D药物设计中，3DMolFormer在多性质目标药物设计的成功率上远超基线方法，展示了其在真实世界药物设计中的潜力。
44110编辑于 2025-03-10 - 来自专栏数据派THU
【干货书】深度学习生命科学：药物发现与药物发现
理想的实践开发人员和科学家准备将他们的技能应用于科学应用，如生物学，遗传学，和药物的发现，这本书介绍了几个深度网络原语。
42710编辑于 2022-05-12 - 来自专栏作图丫
药物优化算法-PriorCD
该R包将药物功能相似网络和全局网络传播算法相结合，实现了对感兴趣的癌症治疗药物优先级的预测方法。此外，用户可以验证优先排序结果，并可视化得到的药物网络结构。 对这些药物的相关性结果构建网络，节点为药物，边为功能相似显著性，最终这个网络为药物-药物功能相似性网络。 （3）对药物相似性网络使用重启动随机游走算法(RWR)，根据稳态概率向量pt中的值对药物进行排序，pt作为药物优先级评分。 评估药物相似性：Drsim 整合NCI-60癌细胞的通路活性与药物活性相结合，评估药物的相似性，构建药物功能相似网络。 NSC-ID集合（这里是乳腺癌用药） #文件= " network.html”(默认)，文件名和保存HTML网页的路径，目前只支持.html格式 输出：F盘中network.html文件 3.
79542编辑于 2022-03-29 - 来自专栏生物信息与临床医学专栏
高血压药物简介
在这一期的内容中，我将和大家简单介绍高血压的常用药物。 1. 常用降压药的机制 在临床实践中，常见的高血压药物主要分为5类： （1） 利尿剂（diuretic）：代表药物有氢氯噻嗪（噻嗪类）、呋塞米（袢类）、螺内酯（保钾类）和吲达帕胺（磺胺类）等； （2） 血管紧张素转化酶抑制剂 （angiotensin-converting enzyme inhibitor，ACEI）：代表药物有卡托普利、依那普利、贝那普利和雷米普利等（都是以“普利”结尾的）； （3） 血管紧张素受体阻滞剂（ 高血压用药的总原则 （1） 小剂量：减少不良反应的发生； （2） 选择长效制剂：保证血药浓度稳定，使药物作用稳定持久； （3） 联合应用：联用机制不同的药物，使彼此的疗效相加，副作用相消； （4） 个体化治疗 3. 高血压用药组合 总的来看，高血压的用药可用下图表示： ? 图中实线是降压的首选组合，点线代表有用的组合，虚线指可能经过良好测试的组合更少， 而点化线则是不推荐的组合。
62920发布于 2020-08-05 - 来自专栏生信技能树
药物预测之认识表达量矩阵和药物IC50
2021 CTRP2_Expr (TPM, log2(x+1) Transformed).rds 1.1M Apr 3 2021 CTRP2_Res.rds 119M Apr 3 2021 GDSC1_Expr (RMA Normalized and Log Transformed).rds 2.0M Apr 3 2021 GDSC1_Res.rds 100M Apr 3 ggboxplot(melt(GDSC2_Res[ , 1:4]), "Var2", "value") +th ; p3 library(patchwork) p1+p2+p3 如下所示 ： 表达量矩阵被归一化很好 还有另外一个展现方式，就是看针对具体的细胞系来说，那些药物有奇效那些药物是打酱油。 ，后面的6个是废物药物啦。
5.9K20发布于 2021-10-12 - 来自专栏DrugOne
DPDDI：用于药物-药物相互作用的深度预测器
使用一个两层的GCN自动编码器来获取药物节点的嵌入表示，每一种药物都被表示为一个特征向量，以此从DDI网络中获得药物的低维特征。 （3）特征整合：拼接操作。 DB2包含548种药物和48,584种已注释的药物-药物相互作用。 （3）数据集DB3 构建了一个新的和更大的数据集作为DB3。 3、实验结果与讨论 3.1 与4种目前先进方法的比较 DPDDI模型除AUC值略低于CE方法外都优于其他现有模型。 在DB1数据集上使用3种不同特征聚合算子模型的表现 3.3 DeepDDI与其他DDI预测工具的比较 为了验证模型的健壮性，使用三个不同大小的数据集(即DB1、DB2和DB3)来评估模型在5折交叉验证测试中的表现 表3. DPDDI在不同大小数据集上的表现 3.4 比较不同负样本量对模型的影响 通过对不同的未标记药物对进行采样，生成负样本集，并与正样本集相结合，形成DDI训练、验证和测试数据集。
2K60发布于 2021-02-02 - 来自专栏DrugOne
JMC | 人工智能在药物合成中的当前和未来作用(3)
ASKCOS Automated System for Knowledge-Based Continuous Organic Synthesis 全文分为三个Section，本文主要介绍Section 3。 Section 1: CASP如何帮助药物化学发现； Section 2: 如何在制药和化学工业中使用CASP； Section 3:如何使CASP更好。 ? 将CASP集成到药物化学工作流程中的工作正在进行中，但是在实践中开发和部署机器学习CASP工具仍然存在许多挑战。 使用小k（1-3）的top-k精度进行模型评估意味着，实际上逆合成是一个模糊的预测，因此，已发表的方法是“正确答案”之一。 存在预测立体选择反应中配体的其他机会，但将需要开发新的3D表示形式。从头开始设计催化剂/配体的最终复杂因素是，新催化剂/配体的合成和表征通常会消耗大量时间。
92160发布于 2021-02-02 - 来自专栏DrugOne
. | AlphaFold3 实现共价药物发现
相较于非共价抑制剂，其优势包括： • 更高效力：持续占据靶点，即使药物浓度降低后仍保持活性 • 更长靶点占用时间（target engagement）：不受药动学波动影响 • 潜在的选择性优势：可利用特定位置的半胱氨酸等氨基酸进行精准定向 截至目前，FDA 已批准超过 50 种共价药物，近年代表性品种包括： 药物 靶点 适应症 上市年份 Ibrutinib（伊布替尼） BTK Cys481 B 细胞恶性肿瘤 2013 Nirmatrelvir • 对于共价键几何（键长/键角），AF3 预测可能偏差较大，需结合化学合理性判断 九、总结与展望 核心结论 本文通过以下五点系统性地证明 AF3 可以实际用于共价药物发现： 1. ✅ 构建了 COValid ）上同样优于传统方法 5. ✅ 前瞻性发现了全新骨架的 BTK 共价抑制剂 YS1，并通过晶体学验证了 AF3 预测的亚埃精度 对领域的影响 • 方法论层面：为 AI 辅助共价药物发现提供了经过充分验证的工作流程 • 药物发现层面：开启了利用蛋白构象柔性进行大规模虚拟筛选的新时代，对传统对接难以处理的柔性靶点尤为重要 • 生物学层面：YS1 揭示了 BTK 的全新结合亚口袋，为克服 BTK 抑制剂耐药性提供新思路
46810编辑于 2026-03-25 . | AlphaFold3 实现共价药物发现
相较于非共价抑制剂，其优势包括： • 更高效力：持续占据靶点，即使药物浓度降低后仍保持活性 • 更长靶点占用时间（target engagement）：不受药动学波动影响 • 潜在的选择性优势：可利用特定位置的半胱氨酸等氨基酸进行精准定向 截至目前，FDA 已批准超过 50 种共价药物，近年代表性品种包括： 药物 靶点 适应症 上市年份 Ibrutinib（伊布替尼） BTK Cys481 B 细胞恶性肿瘤 2013 Nirmatrelvir • 对于共价键几何（键长/键角），AF3 预测可能偏差较大，需结合化学合理性判断 九、总结与展望 核心结论 本文通过以下五点系统性地证明 AF3 可以实际用于共价药物发现： 1. ✅ 构建了 COValid ）上同样优于传统方法 5. ✅ 前瞻性发现了全新骨架的 BTK 共价抑制剂 YS1，并通过晶体学验证了 AF3 预测的亚埃精度 对领域的影响 • 方法论层面：为 AI 辅助共价药物发现提供了经过充分验证的工作流程 • 药物发现层面：开启了利用蛋白构象柔性进行大规模虚拟筛选的新时代，对传统对接难以处理的柔性靶点尤为重要 • 生物学层面：YS1 揭示了 BTK 的全新结合亚口袋，为克服 BTK 抑制剂耐药性提供新思路
81610编辑于 2026-03-30- 来自专栏DrugOne
Bioinformatics | 预测药物-药物相互作用的多模态深度学习框架
2 数据集 DrugBank是一个能提供12151种药物的综合信息的资源，包括3,844种FDA批准的药物和5867种实验药物。 由于预先训练的模型没有在生物医学文本上进行训练，因此它无法为一些专业药物的名称安排合适的词性，因此将所有药物名称列出，进行识别。 3 DDIMDL方法概述 DDIMDL方法如下图所示。 首先，作者使用四种类型的药物特征来计算药物-药物的相似性，并使用它们作为药物的表征。在多层神经网络的基础上，将药物的表示分别输入子模型。 对于task 2和task 3，作者将5-CV用于药物而不是DDI对。作者将药物随机分成五组，其中四组作为训练药物，其余的作为测试药物。 对于task 2，我们在训练药物之间的DDIs上建立预测模型，然后对训练药物和测试药物之间的DDIs进行预测。任务3在训练药物之间的DDIs上建立预测模型，然后对测试药物之间的DDIs进行预测。
2K80发布于 2021-02-01 - 来自专栏DrugScience
2020 年FDA药物总览
EvaluatePharma的销售预测显示，到2026年，有11种产品有望实现畅销（表3）。其中四款年销售额可能超过20亿美元。 EUAs授权也彰显了药物快速开发的危险，并引发了对监管过程政治化的担忧。最值得注意的是，FDA在3月份批准了抗疟药物氯喹和羟基氯喹的EUA，尽管几乎没有证据表明它们对COVID-19有效。 FDA预计将在2021年3月底前就Biogen的淀粉样β-靶向抗体aducanumab治疗阿尔茨海默病做出决定。 Seagen HER2 kinase inhibitor HER2- positive breast cancer P, O, B Pemigatinib (Pemazyre) Incyte FGFR1-3 嵌合抗原受体T细胞（CAR-T细胞）是将能识别某种肿瘤抗原的抗体的抗原结合部与CD3-ζ链或FcεRIγ的胞内部分在体外偶联为一个嵌合蛋白，通过基因转导的方法转染患者的T细胞，使其表达嵌合抗原受体(CAR
1.4K20发布于 2021-03-04 - 来自专栏DrugOne
量子药物发现的未来
编译 | WJM 自1869 年第一个合成药物水合氯醛被发现以来，制药公司一直在激烈竞争以寻找下一个重磅药物。 介绍 每个人对药物都具有个体差异。基因差异意味着药物分子与我们的身体具有独特的相互作用，从而导致有效性和副作用之间的差异。平均而言，药物开发需要12年时间和超过10亿英镑来开发每种新药。 此外，对于实验室中每确定10到20种药物，只有一种药物会到达患者手中，而其他药物则会在此过程中失败。一旦发现潜在的候选药物，将对其进行开发，以最大限度地提高整个人群的益处并最大限度地减少副作用。 但是，如果计算机可以加快药物发现过程，使药物更有可能有效并产生更少的副作用呢？如果它甚至可以为一个人量身定制药物，以最大限度地提高疗效并最大限度地减少反应，那会怎么样？ 当前药物开发的问题 2020 年，FDA 批准了 53 种药物，是过去 20 年中批准药物数量最高的之一。
83320发布于 2021-10-11 - 来自专栏智药邦
网络驱动的药物发现
1 目标 药物发现的一个主要问题是人类生物学的复杂性。药物发现的核心目标是找到能够有效调节目标生物过程，同时对其他过程几乎没有影响的治疗药物。 早期药物发现中需要新的、基于系统的方法 许多观察结果强调了在早期药物发现中需要新的、基于系统的方法： 分析多个药物发现项目的成功和失败得出的结论是，大量晚期临床失败的原因，是不正确或无效的生物学靶点。 3 对药物发现的影响 当我们用药时，我们的目的是在疾病状态下以一种有益的方式改变表型。如果从上述网络生物学的角度来看，这就意味着对网络模块的扰动可以显著影响目标表型。 从寻找能够影响表型的药物，到寻找能够扰乱潜在的、基于网络机制的药物，这种概念上的转变有许多影响。 3.1 网络识别 网络驱动的药物发现方法的第一阶段是制定干预策略假设。 药物发现的目的是找到能够显著扰乱目标表型所依据的强大网络的药物。
75110编辑于 2022-06-08 - 来自专栏智药邦
AI+DEL｜X-Chem推出新AI系统XD3加速药物发现
2022年4月19日，小分子药物发现DEL技术和AI技术公司X-Chem宣布推出XD3，这是X-Chem的动态药物发现系统，供生物制药合作伙伴和客户使用。 XD3将DEL筛选产生的大量数据、X-Chem人工智能平台ArtemisAI的分析和预测能力以及其深厚的药物化学专业知识结合起来，形成一个端到端的软件包，旨在加速新药的开发。 "大型数据集和人工智能的产生正在改变药物发现"，X-Chem首席执行官Matt Clark博士说，"我们相信我们的XD3动态药物发现生态系统将最大限度地利用我们最先进的技术，为新型和困难的疾病靶点开发创新药物 通过XD3，X-Chem的科学家将DEL、药物化学和人工智能无缝结合，以这些组合提供增强的小分子药物发现服务。 DEL + Med Chem将DEL筛选与药物化学相结合，以简化从hit-to-lead再到候选药物的过程。
49910编辑于 2022-06-08 - 来自专栏ATYUN订阅号
AI算法从零开始设计药物分子，可加速新药物的设计
北卡罗来纳大学开发新的AI算法，可以教会它从头开始设计新的药物分子，并有可能大大加速新药物的设计。 ReLeaSE是虚拟筛选的一项强有力的创新，虚拟筛选是制药行业广泛用于识别可行候选药物的计算方法。虚拟筛选允许科学家评估现有的大型化学库，但该方法仅适用于已知化学品。
60720发布于 2018-08-16 AI+Drug 文献速递 | Token-Mol 1.0，首个仅用标记的3D药物设计模型，为 AI 驱动药物发现提供新方向
药物设计模型，通过将2D和3D结构信息及分子性质编码为离散标记，解决了现有方法难以有效整合三维分子结构的问题。 研究表明，Token-Mol在真实药物设计场景中能提高成功率，结合强化学习可进一步优化亲和力和类药性，为AI驱动药物发现提供了新方向。 2. 模型在9个分子性质和30个活性悬崖基准上表现优异，使用约500万类药物化合物数据集 pretrain，在PDBBind等数据集上的AUC-ROC和RMSE等指标优于GROVER、Uni-Mol等现有方法 3. 消融实验表明几何描述符是性能关键，结合分子动力学模拟生成的构象 ensemble 可进一步提升准确性，为基于结构的药物设计提供了新框架。 4.
43610编辑于 2026-01-08- 来自专栏DrugOne
药物设计的深度学习
与传统的机器学习（machine learning, ML）算法相比，DL方法在小分子药物发现和开发方面还有很长的路要走。对于DL研究的推广和应用，例如小分子药物研究和开发，还有很多工作要做。 但是，RNN可以通过以下方式处理顺序信息：（1）将有向周期引入其网络；（2）将相邻的隐藏节点相互联系起来；（3）从先前的时间片捕获计算的信息；（4）将其存储用于后续程序。 3. Regularization（正则化）与Dropout 由于过度拟合是多层DNN中的一个严重问题，因此已经开发了大量的正则化技术来最小化过度拟合问题。 值得注意的是，他们使用3D小分子的电子密度，而不是2D分子指纹或物理化学性质，作为输入数据并开发了一个三维卷积神经网络模型来预测碳氢化合物的Kohn-Sham动能。 Aaps Journal, 2018, 20(3):58.
1.3K50发布于 2021-01-29
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