原子间网络中的多层次拓学:从转录组到抗成药物重定位
Hongyan Du1,2, Guo-Wei Wei2,3,4, Tingjun Hou1
1College of Pharmaceutical Sciences, Zhejiang University, Hangzhou 310058, Zhejiang, China.
Briefings in bioinformatics
|March 18, 2024
概括
这项研究通过分析基因表达和蛋白质网络来确定阿片类药物和可卡因成的新药重定位候选人. 使用机器学习发现了针对关键分子通路的有前途的化合物,提供了新的治疗途径.
科学领域:
- 计算生物学是一种计算生物学.
- 药理学 药理学是指药理学的学科.
- 神经科学是一个神经科学.
背景情况:
- 越来越严重的毒危机需要新的治疗策略.
- 现有的阿片类药物和可卡因成治疗方法存在局限性.
- 药物再利用为发现新的成疗法提供了一条有效的途径.
研究的目的:
- 为了确定潜在的药物重新利用候选人阿片类药物和可卡因成.
- 开发一个生物信息学框架,整合转录学,网络分析和机器学习.
- 发现用于治疗成的新型治疗标和化合物.
主要方法:
- 与成相关的转录基因数据的差异基因表达分析.
- 在蛋白质-蛋白质相互作用网络上使用持久的拉普拉西安进行拓数据分析.
- 机器学习模型 (NLP嵌入,二维指纹) 用于预测药物标结合亲缘关系.
- 文献验证,途径分析和药物相似性评估.
主要成果:
- 确定了三个关键的分子标:mTOR,mGluR5和NMDAR.
- 从DrugBank发现有前途的候选药物,并预测具有结合性亲缘关系.
- 阐明药物向相互作用和评估潜在治疗药物的药物相似性.
- 开发一种适用于各种疾病的多功能分析框架.
结论:
- 建立了一个全面的生物信息学和机器学习框架,用于在成中重新利用药物.
- 该研究确定了用于治疗阿片类药物和可卡因成的新目标和化合物.
- 开发的方法有可能在药物发现和疾病研究中得到更广泛的应用.
