您好,欢迎您

重磅!多篇Nature齐发!2023前沿热点公布,生物医学计算和人工智能勇登巅峰!

03月05日
来源:智能肿瘤学

1.jpg

2.png

在药物设计中,化合物效价预测是一种流行的机器学习应用。图神经网络 (GNN) 通过通常从 X 射线结构中提取的蛋白质-配体相互作用的图表示来预测配体亲和力。尽管有一些有希望的发现导致声称GNN可以学习蛋白质-配体相互作用的细节,但这种预测也存在争议。例如,有证据表明,GNNs可能不会学习蛋白质-配体相互作用,而是记住配体和蛋白质训练数据。我们在社区标准数据集上用六种GNN架构进行了亲和力预测,并使用可解释的人工智能对预测进行了合理化。结果证实了配体(而不是蛋白质)记忆在GNN学习过程中的强烈影响,并且还表明一些GNN架构越来越优先考虑交互信息来预测高亲和力。因此,虽然GNN不能全面地解释蛋白质-配体相互作用和物理现实,但根据模型的不同,它们在配体记忆和相互作用模式的学习之间取得了平衡。

深度学习几乎颠覆了每一个研究领域,包括那些对药物发现有直接重要性的领域,如药物化学和药理学,CADD应用中的DL已经取得了重大进展,如虚拟筛选、新药设计、吸收、分布、代谢、排泄和毒性 (ADMET) 特性预测等等

3.png


CRISPR-Cas9基因编辑:基因编辑是指通过改变生物体基因组中的DNA序列,来修改和调控特定基因的表达或功能。CRISPR-Cas9基因编辑技术是一种广泛应用的基因编辑方法,它利用CRISPR(簇间重复短回文序列)和Cas9(CRISPR相关的蛋白质9)酶的系统来实现精确的基因组编辑。基因编辑的应用场景十分广泛。在农业领域,基因编辑可以提高作物的耐逆性、产量和品质,为解决全球食品安全和农业可持续性问题提供新途径。在医学领域,基因编辑带来了治愈遗传性疾病的希望,为罕见病提供了新的治疗手段。此外,基因编辑还可用于探索疾病发生机制、开发新药物以及研究动植物生理学。这项技术也被《麻省理工学院技术评论》杂志评选为2023年十大突破性技术之一。

随着高通量生物技术的发展,已经开发了多种组学技术来表征不同但互补的生物信息,包括基因组学、微生物组学、转录组学、和代谢组学等。

随着生物医学数据从组学时代进入到多维度大数据时代,药物发现领域同样不可避免地向数据密集型进行深刻变革。依靠着对海量数据得天独厚的优势,AI技术与算法加速并提高了药物发现的过程与准确性,并在药物发现的应用场景中占比越来越大。因此,AI与药物发现领域的深度融合已是大势所趋,未来将发挥更广阔的潜在价值。此外,随着AI算法与算力迭代的效率逐渐提高,其在交叉学科中的应用同样前景广阔,例如智慧医疗、物联网、材料、消费、环境领域等;可以相信,AI将在众多交叉学科呈多样化发展趋势,并对前沿聚焦领域产生积极推动作用!

下面是近两年在顶刊发表的部分研究方向

Nature Protocols | 基于机器学习和并行计算的代谢组学数据处理新方法
Nature| 基于机器学习的血清代谢组学开发生物标志物用早期肺腺癌筛查
Nature Biotechnology自动化和机器学习的高通量微生物培养组学分离微生物组
Cancer Cell | 基于多模态深度学习的泛癌组织学-基因组学整合分析
Science Advances|利用深度学习发现癌症中的新基因突变
Nature|肿瘤微环境的多组学机器学习预测乳腺癌治疗反应
Nature|肺癌和转移瘤中的基因组-转录组进化
Nature Methods | 用深度多任务神经网络探索单细胞数据
JCIM|利用深度学习进行基于结构的从头药物设计
Journal of Medicinal Chemistry报道基于靶标结构的深度学习全新药物设计方法
Nature Reviews综述 | 机器学习在药物发现和开发的应用
Science Advances | 实现了对较小的膜蛋白晶体结构解析方法的研究突破
Nature:一种基于CRISPR/Cas9的非病毒精准基因组编辑临床级疗法         

来源| iMedicines

责任编辑:肿瘤资讯-Astrid
排版编辑:肿瘤资讯-Astrid


免责声明
本文仅供专业人士参看,文中内容仅代表智能肿瘤学立场与观点,不代表肿瘤资讯平台意见,且肿瘤资讯并不承担任何连带责任。若有任何侵权问题,请联系删除

评论
03月06日
雷昕奕
永州市中心医院 | 胃肠外科
生物医学计算和人工智能极为重要。