药物-靶标相互作用图。学分:浙江大学药物-靶标相互作用是药物发现的一个重要研究领域，是指对化合物与蛋白质靶标之间相互作用的认识。化学家们估计，可以制造出1060种具有药物李可特性的化合物——正如《自然》杂志2017年的一篇文章所报道的那样，这比太阳系的原子总数还要多。药物开发平均需要14年时间，花费高达15亿美元。在这个巨大“星系”的药物发现过程中，很明显，传统的DTI检测生物实验通常既昂贵又耗时。
侯廷军教授是浙江大学药物科学学院计算机辅助药物设计(CADD)专家。在过去的几十年里，他一直致力于利用计算机技术开发药物。“最大的挑战在于未知靶点和药物分子之间的相互作用。我们如何更有效地发现它们？这涉及到方法上的新突破。”
最近，人工智能开辟了新的可能性。侯说:“有了人工智能，我们可能能够到达药物发现的更上游阶段，从而提高药物开发的效率和成功率。
除了人工智能，多组学数据，如基因组学、蛋白质组学和药理学，也蓬勃发展。在每个领域，都有大量的生物医学信息。关于药物、蛋白质、疾病、副作用、生物过程、分子功能、细胞成分、生物酶和离子通道的信息都存储在专门的数据库中。然而，它们对于药物发现的价值仍然模糊不清。
NFM KGE的工作流程示意图。学分:浙江大学何世波教授是浙江大学控制科学与工程学院大数据与网络科学专业的学者。“这个领域特别适合跨学科研究。这些大量的生物信息可以被抽象成一个多层次、异构的网络系统，”何说。
2021年11月，中南大学侯廷军、何世波、曹东生在《自然通讯》杂志上联合发表了题为《基于知识图和推荐系统的统一药物-靶标相互作用预测框架》的研究文章。
在这项研究中，研究人员提出了一个统一的框架，称为KGE_NFM(知识图嵌入和神经因子分解机)，通过结合KGE和推荐系统技术进行药物-靶标相互作用(DTI)预测，适用于药物发现的各种场景，特别是当遇到新的蛋白质靶标时。
研究人员在三个真实的场景中评估了KGE·NFM:暖启动、药物冷启动和蛋白质冷启动。在前两种情况下，人工智能算法与传统算法不相上下，有时甚至略逊于传统算法。在第三种情况下，KGE NFM比对手高出30%。
“这证明了人工智能在预测未知蛋白质靶点方面的卓越能力和优越性。侯说:“从‘未知的蛋白质靶标’中发现‘未知的药物靶标相互作用’是未来药物发现不可否认的重要任务。
何说:“我们可以利用AI进行复杂的异构网络挖掘，做很多有趣的事情。例如，该团队目前正与腾讯的一个实验室合作，对乙肝药物的虚拟筛选和药物协同作用进行研究。“使用KG E不仅可以扩展信息的维度，还可以提高算法系统的可解释性和可信度。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
