一个深度学习的药物查框架,以整合当地和全球特征:对于有限的数据来说,这是一个新的尝试
Ying Wang1, Yangguang Su1, Kairui Zhao1
1Department of Pharmacogenomics, College of Bioinformatics Science and Technology, Harbin Medical University, Harbin, Heilongjiang, 150081, China.
Heliyon
|August 12, 2024
概括
一个新的卷积神经网络 (CNN) 模型,LGCNN,通过整合分子和相互作用特征,使用有限的数据快速选药物. 这种方法有助于在COVID-19等疫情期间发现治疗药物.
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
- 机器学习 机器学习
背景情况:
- 在疫情爆发期间,药物发现面临着数据不足的挑战.
- 数据有限阻碍了传统的药物查模型.
研究的目的:
- 开发一种新的药物查模型,LGCNN,用于在有限的数据下快速发现药物.
- 整合药物分子结构和药物向相互作用的本地和全球特征.
主要方法:
- 提出LGCNN,一个卷积神经网络 (CNN) 模型.
- 药物查的综合本地和全球特征.
- 应用LGCNN用于针对COVID-19治疗的抗SARS-CoV-2药物查.
主要成果:
- 在有限的数据的情况下,LGCNN在最先进的方法中表现出优越的性能.
- LGCNN成功地确定了COVID-19的潜在治疗方法.
- 该模型在预测多标药物标相互作用方面显示出优势.
结论:
- 在数据稀缺的紧急情况下,LGCNN提供了一种用于快速药物查的新方法.
- 该模型的跨冠状病毒通用性表明了更广泛的应用.
- 通过从有限的数据集中最大限度地获取信息,LGCNN提高了药物发现效率.
