相关实验视频
Updated: May 3, 2026

Diagonal Method to Measure Synergy Among Any Number of Drugs
Published on: June 21, 2018
预测药物相互作用:采用基于GCN的协作过的深度学习方法.
Yeon Uk Jeong1, Jeongwhan Choi2, Noseong Park3
1Oncocross Co. Ltd., #905, C Block, Beobwon-ro 11-gil, Songpa-gu, Seoul, 05836, Republic of Korea.
本研究介绍了一种使用图形卷积网络的AI模型,通过分析药物连接性而不是化学结构来预测药物相互作用 (DDI). 这种方法提高了DDI预测的准确性,并解决了数据不平衡问题.
科学领域:
- 药理学 药理学是指药理学的学科.
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 组合药物使用正在增加,增加药物相互作用 (DDI) 的风险和患者安全问题.
- 大多数DDI来源于药物代谢期间的酶调节 (例如,细胞染色体P450),这表明与类似酶相互作用的药物容易发生相互作用.
- 传统的DDI预测模型面临负采样和数据不平衡的挑战.
研究的目的:
- 开发一个AI推模型来预测潜在的药物相互作用 (DDI).
- 使用图形卷积网络 (GCN) 和协作过来分析药物连接性,绕过化学结构分析.
- 通过避免负样本选择和解决数据不平衡,克服传统模型的局限性.
主要方法:
- 开发了一个集成图形卷积网络 (GCN) 和协作过的AI模型.
- 该模型分析了药物连接模式,灵感来自用户兴趣推技术.
- 使用DrugBank数据库 (v5.1.9) 采用4,072种药物和1,391,790种相互作用对;通过TWOSIDES数据进行验证.
主要成果:
- 基于GCN的模型通过专注于连接性来准确预测潜在的药物相互作用.
- 该方法成功地绕过了与负相互作用采样和数据不平衡相关的挑战.
- 通过5倍交叉验证和外部数据验证证实模型的稳定性.
结论:
- 开发的AI模型为预测药物相互作用提供了一个多功能和准确的框架.
- 该方法利用现有的DDI报告和连接性分析进行可靠的预测.
- 该方法为识别潜在的DDI提供了一种新的解决方案,提高了组合药物治疗中的患者安全性.
更多相关视频
13:18Network Pharmacology Prediction and Experimental Validation of Trichosanthes-Fritillaria thunbergii Action Mechanism Against Lung Adenocarcinoma
Published on: March 3, 2023
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
相关概念视频
Combined Effects of Drugs: Antagonism
The most common type is receptor antagonism, where one drug acts as an antagonist to block the effects of another drug by...
Combined Effects of Drugs: Synergism
Such synergistic combinations...
Pharmacogenomics: Identification of New Drug Targets
Pharmacodynamic Models: Additive and Proportional Drug Effect Model