药物发现
药物候选物预测
(1) 药物‑药物相互作用（DDI）预测
药物‑药物相互作用是指当与其他药物同时服用时药物效应的改变。识别DDI在药物发现中至关重要，因为这些相互作用可能产生拮抗和毒性效应，也可能产生协同效应。此外，联合疗法因其在耐药性和疗效方面优于单一疗法而受到关注。因此，我们开发了一种利用组学数据和网络分析来预测DDI的计算模型。采用机器学习算法，特别是分类算法，利用网络分析计算出的特征以及各数据类型属性信息来构建预测模型。
(2) 药物重定位预测
药物重定位是指为已有药物寻找新的适应症，这有助于大幅降低传统从头药物发现所需的时间和成本。由于药物重定位涉及的是已通过安全性验证的现有药物，因此引起了研究人员和制药工业的广泛兴趣。人们已经投入大量努力设计有效的药物重定位方法，包括表达谱分析、网络分析、基于通路的方法等。在我们实验室，我们研究基于相似性的方法，利用线性回归、支持向量机和随机森林等机器学习算法开发重定位候选药物的预测模型。
药物‑靶标相互作用预测
药物通过结合靶蛋白来激活或抑制其生物活性。因此，识别药物‑靶标相互作用在药物发现中扮演着重要角色。然而，生物和化学实验费时费力，成本高昂。因此，随着药物‑靶标相互作用数据的积累和数据科学的进步，通过计算方法识别药物‑靶标相互作用是一种成本更低的良好替代模型。为了构建预测模型，首先从多个来源（DrugBank、KEGG、IUPHAR）收集药物‑靶标数据，然后将数据转换为计算机可理解的向量，最后使用机器学习方法（支持向量机、k‑近邻、核岭回归）建立预测模型。
药物毒性预测与优化
许多已上市药物因不良副作用（即毒性）而被撤市，这造成了巨大的经济损失。因此，药物毒性评估与优化是药物发现过程中最关键的部分。然而，传统的实验评估与优化耗时且成本高昂，因此计算方法因其能够显著降低成本和缩短时间而前景广阔。随着公共实验数据的积累，我们一直在研究数据驱动的计算机模拟预测。在我们实验室，我们致力于开发从数据收集到生成可靠且可解释结果的化合物毒性预测框架。特别是，我们对深度学习方法非常感兴趣，因此最近专注于开发适合毒性数据特性的基于深度学习的框架。
【全文结束】