相关实验视频
Updated: Jun 28, 2025
09:36
Unbiased Deep Sequencing of RNA Viruses from Clinical Samples
Published on: July 2, 2016
17.0K
DeepSeq2Drug:一个可扩展的集体端到端抗病毒药物,通过多模式嵌入和转移学习重新定位基准框架
Weidun Xie1, Jixiang Yu1, Lei Huang1
1Department of Computer Science, City University of Hong Kong, Kowloon Tong, Hong Kong SAR, China.
Computers in biology and medicine
|April 23, 2024
概括
DeepSeq2Drug 通过使用多模式深度学习,增强了针对病毒爆发的药物重定向. 这种新的框架预测了新的抗病毒药物和病毒,克服了传统方法的局限性.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 病毒学 病毒学
背景情况:
- 药物重新定位为药物发现提供了一种具有成本效益的策略,特别是对于新出现的病毒威胁.
- 传统的基于图形的方法和现有的深度学习方法在预测新药和病毒方面存在局限性.
- 需要先进的计算框架来提高抗病毒药物重新利用的效率和范围.
研究的目的:
- 引入DeepSeq2Drug,这是一个新的深度学习框架,用于增强对病毒感染的药物重新定位.
- 通过利用多模式嵌入和整体策略来解决现有方法的局限性.
- 为了能够预测新型抗病毒药物和识别对新病毒菌株有效的药物.
主要方法:
- 开发了DeepSeq2Drug,这是一个整合四种模式类型的框架:自然语言处理 (NLP),计算机视觉 (CV),图形模型和序列模型.
- 利用来自六个NLP,四个CV,四个图形和两个序列模型的多式嵌入.
- 实施了一套整体策略,将选择的病毒和药物嵌入对的预测性表现结合起来,用于重新定位.
主要成果:
- 该DeepSeq2Drug框架在预测抗病毒药物重定向候选人的过程中表现出潜力.
- 一个涉及病毒 (MPV) 的案例研究验证了该框架的预测能力.
- 整体策略有效地补充了药物和病毒的数量,使新的预测成为可能.
结论:
- DeepSeq2Drug为抗病毒药物重新定位提供了一个强大而通用的平台,克服了以前的方法限制.
- 该框架作为未来药物发现中的深度学习优化的基准.
- 自由可用的软件和代码有助于在研究中更广泛地采用和重复使用.
