应用深度神经网络预测药物的药理特性和药物再

2019-04-25 18:43:38 围观 : 140

  应用深度神经网络预测药物的药理特性和药物再利用

  2016年5月28日

  深度学习,通常被称为人工智能,利用多层神经元来模拟数据中的高级抽象的机器学习分支,在图像,文本和语音识别,自动驾驶等任务中表现优于人类,现在应用于药物发现和生物标志物开发。

  在美国化学学会出版的着名期刊Molecular Pharmaceutics上发表的一项研究中,Insilico Medicine的科学家与Datalytic Solutions和Mind Research Network合作,使用基因表达数据训练深度神经网络来预测大量多种药物的治疗用途。从人细胞系的高通量实验中获得。

  

  深度神经网络优于其他机器学习技术,并且随着类数量的增加不会导致性能显着下降。

  当网络混淆并猜测药物的治疗用途不正确时,药物通常具有双重用途,表明使用DNN进行药物再利用的可能性。

  这是使用转录反应数据进行药物发现深度学习的第一个已知应用。

  在最近接受的题为“用于预测药物的药理学性质和使用转录组学数据的药物再利用的深度学习应用”的手稿中,位于约翰霍普金斯大学新兴技术中心的Insilico Medicine,Inc的科学家与Datalytic Solutions and Mind Research Network合作提出了一种应用深度神经网络(DNN)预测许多药物的药理特性的新方法。在这项研究中,科学家使用从人类细胞系的高通量实验获得的基因表达数据训练深度神经网络来预测大量药物的治疗用途。作者使用复杂的方法测量大量途径的差异信号通路激活评分,以减少数据的维数,同时保留生物相关性并使用这些评分来训练深度神经网络。

  “人工智能世界正在迅速发展并影响着我们日常生活的方方面面。很快,制药行业就会感受到这种进步。我们成立了Pharma.AI部门,以帮助制药公司显着加速其研发并增加批准药物的数量,但在此过程中,我们在肿瘤学,心血管,新陈代谢和中枢神经系统领域提出了800多个强有力的假设,并开始了验证。 Insilico Medicine,Inc。首席执行官Alex Zhavoronkov博士表示,我们对做出强有力的声明持谨慎态度,但如果采用这种方法,它将会使制药行业大肆宣传并产生前所未有的QALY数量。

  尽管公司具有商业导向,但作者同意不对这些方法申请知识产权并公布概念证明。 Insilico Medicine目前正在开发多模式深度神经网络,以预测药物,小分子和天然化合物的广泛性质,用于一系列应用,包括治疗常见和罕见疾病,衰老,再生医学和提高癌症免疫疗法的反应率。

  相关故事研究人员利用“自杀基因”设计干细胞以诱导除β细胞以外的所有细胞死亡H-RT应该是低风险前列腺癌男性的标准治疗方法,研究显示第一次基因治疗手术治疗黄斑变性是一个成功的领域。机器学习最近在模式识别和计算机视觉领域取得了令人印象深刻的突破。深度学习,技术感谢,继续破坏机器学习的许多其他子领域的传统方法。最初是在60年代,受大脑工作方式的启发(至少我们当时的理解方式),深度学习现已发展成为一个成熟的工程概念。然而,大脑并没有停止对研究人员的困惑,我相信,它将为未来强大的方法学提供更多的灵感来源。“Mind Plil,Mind Research Network机器学习主任和Datalytic Solutions首席执行官说。 。

  在这项研究中,科学家们使用美国国立卫生研究院(NIH)开发的基于综合网络的细胞特征图书馆(LINCS)项目的A549,MCF-7和PC-3细胞系的678种药物的扰动样本,并将这些样本联系起来。由美国国立卫生研究院国家医学图书馆(NLM)开发和维护的来自MeSH(医学主题标题)的12个治疗用途类别。为了训练DNN,科学家利用基因水平转录组学数据和使用途径激活评分算法处理的转录组学数据,对于用不同浓度的药物扰动6和24小时的样品的汇集数据集。交叉验证实验表明,DNNs在正确预测每种药物的12个治疗类别中的一个中达到54.6%的准确度。该实验的一个奇特发现是,大量被DNN错误分类的药物具有双重用途,这表明DNN混淆基质可能在药物再利用中应用。

  本月早些时候,Insilico Medicine科学家在Putin等人发表的题为“人类衰老的深层生物标志物:深层神经网络应用于生物标志物开发”的论文中发表了第一个深入学习的人类年龄生物标志物,旨在预测患者的健康状况,在Aging中,以及在题为“深度学习在生物医学中的应用”的论文中对深度学习的最新进展的概述。由Mamoshina等人,也在Molecular Pharmaceutics中。

  “这项研究证明了DNN可用于使用转录反应特征来注释药物,但我们将这一概念提升到了一个新的水平。我们开发了一种用于计算机药物发现的管道,它有可能大大加快几乎所有治疗药物的临床前阶段,并提出了多种计算机验证步骤的广泛预测列表,如果在体外和体内验证,几乎可以“临床实践中的药物数量增加了一倍”,Insilico Medicine,Inc研究部主席,该研究的主要作者Alex Aliper说。

  资料来源:InSilico Medicine,Inc。