在机器学习方法中,有关药物、靶点和已确认的DTI的数据被转换为用于训练预测模型的特征,而这些特征又被用于预测新药物与/或新靶点之间的相互作用。 这些研究的主要假设是,如果Drug d与Protein p有相互作用,则(i)与d结构相似的药物化合物也可能与p有相互作用,(ii)与p相似的蛋白质可能与Drug d相互作用,以及(iii)...
为了梳理其研究发展历程,探讨未来的研究方向,首先就药物-靶点相互作用预测的背景和意义进行简要概述;其次将方法分为基于分子对接,基于药物结构,基于文本挖掘和基于化学基因组四类进行综述,并对每类方法进行对比分析,详细阐述每类方法的数据需求及应用场景;最后对现有研究存在的局限性和面临的挑战进行讨论,展望未来的研究...
在机器学习方法中,有关药物、靶点和已确认的DTI的数据被转换为用于训练预测模型的特征,而这些特征又被用于预测新药物与/或新靶点之间的相互作用。 这些研究的主要假设是,如果Drug d与Protein p有相互作用,则(i)与d结构相似的药物化合物也可能与p有相互作用,(ii)与p相似的蛋白质可能与Drug d相互作用,以及(iii)...
在机器学习方法中,有关药物、靶点和已确认的DTI的数据被转换为用于训练预测模型的特征,而这些特征又被用于预测新药物与/或新靶点之间的相互作用。 这些研究的主要假设是,如果Drug d与Protein p有相互作用,则(i)与d结构相似的药物化合物也可能与p有相互作用,(ii)与p相似的蛋白质可能与Drug d相互作用,以及(iii)...