摘要
+ })(window)摘要
药物重新定位可以显著降低传统药物研发的成本和持续时间,同时避免不可预见的不良事件的发生。随着高通量技术的快速发展以及各种生物数据和医学数据的激增,计算药物重新定位方法已经成为系统识别潜在药物-靶标相互作用和药物-疾病相互作用的有吸引力且强大的技术。在这篇综述中,我们首先总结了与药物、疾病和靶点相关的现有生物医学数据和公共数据库。然后,我们讨论了现有的药物重新定位方法,并根据它们的基本计算模型对它们进行分组,这些模型包括经典的机器学习、网络传播、矩阵分解和完成以及基于深度学习的模型。我们还全面分析了药物再定位中常用的标准数据集和评价指标,并对金标准数据集上的各种预测方法进行了简要比较。最后,我们总结了计算药物重新定位的挑战,包括降低生物医学数据的噪声和不完整性的问题,各种计算药物重新定位方法的集成,设计可靠的负样本选择方法的重要性,处理数据稀疏问题的新技术,大规模和全面的基准数据集的构建,以及对预测相互作用的潜在机制的分析和解释。
关键词:药物重新定位;药物目标预测;毒品疾病预测;计算模型;数据整合;评估标准
罗慧敏,中国湖南中南大学计算机科学与工程学院博士生,中国河南大学计算机与信息工程学院,开封,475001。她的研究兴趣包括生物信息学和计算药物重新定位。
@@ -258,7 +258,7 @@ Gönen[107]提出了核化贝叶斯矩阵分解(KBMF2K)方法,它是一种结
**· **多种类型的生物医学数据可以被利用和整合,以开发计算药物重新定位方法,并验证其预测结果。本文从机器学习的角度对现有的潜在药物-靶点或药物-疾病相互作用预测的计算方法进行了分析和分类。
**·**通过从多个数据源收集生物和医学信息,可以构建全面的基准数据集。
**·**合理的负样本选择方法可以产生可靠的负样本来训练预测模型。
References
+References
- Li J, Zheng S, Chen B, et al. A survey of current trends in com-putational drug repositioning. Brief Bioinform 2015;17:2–12.
- Hurle M, Yang L, Xie Q, et al. Computational drug repo-sitioning: from data to therapeutics. Clin Pharmacol Ther2013;93:335–41. @@ -668,7 +668,7 @@ Bioinformatics 2012;29:238–45.
tional drug-repositioning approach (DrugPredict) to rapidly
identify potent drug candidates for cancer treatment. Onco-
gene 2018;37:403. -