热门汇总：近两年人工智能和生物学界在国际顶刊的研究成果

　　近两年国内外顶尖课题组MIT、Harvard University、UPenn、清华大学、复旦大学、西湖大学等都在从事人工智能与组学与药物设计和蛋白质预测技术以及的研究，这一研究成果更是多次发表在Nature Reviews Genetics、Nature Methods、Science Advances、Cancer Cell、Nature Biotechnology等知名国际顶刊上，为我们发表顶刊鉴定了基础。

　　在药物设计中，化合物效价预测是一种流行的机器学习应用。图神经网络 (GNN) 通过通常从 X 射线结构中提取的蛋白质-配体相互作用的图表示来预测配体亲和力。尽管有一些有希望的发现导致声称GNN可以学习蛋白质-配体相互作用的细节，但这种预测也存在争议。例如，有证据表明，GNNs可能不会学习蛋白质-配体相互作用，而是记住配体和蛋白质训练数据。我们在社区标准数据集上用六种GNN架构进行了亲和力预测，并使用可解释的人工智能对预测进行了合理化。结果证实了配体(而不是蛋白质)记忆在GNN学习过程中的强烈影响，并且还表明一些GNN架构越来越优先考虑交互信息来预测高亲和力。因此，虽然GNN不能全面地解释蛋白质-配体相互作用和物理现实，但根据模型的不同，它们在配体记忆和相互作用模式的学习之间取得了平衡。

　　人工智能和生物学界的研究人员利用深度学习技术与计算硬件的进步，从不断增长的生物数据库中学习模式，对蛋白质进行注释。这些被注释的模式可以用来提供对药物发现和生物分子设计的新见解。深度学习几乎颠覆了每一个研究领域，包括那些对药物发现有直接重要性的领域，如药物化学和药理学，CADD应用中的DL已经取得了重大进展，如虚拟筛选、新药设计、吸收、分布、代谢、排泄和毒性 (ADMET) 特性预测等。

　　计算机辅助药物设计，依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果，针对这些基础研究中所揭示的包括酶、受体、离子通道及核酸等潜在的药物设计靶点，并参考其它类源性配体或天然产物的化学结构特征，以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用，考察药物与靶点的结构互补、性质互补等，设计出合理的药物分子。它是设计和优化先导化合物的方法，靶点的发现与确证是现代新药研发的第一步，也是新药创制过程中的瓶颈之一。CADD的应用可以加快靶点发现的速度，提高靶点发现的准确度，从而推进新药研发，特别是在食品、生物、化学、医药、植物、疾病方面应用广泛!

　　随着高通量技术的发展,已经积累了不同种类的组学数据,包括基因组学,表观基因组学,转录组学,蛋白质组学,代谢组学和宏基因组学,因此需要对不同类型的多组学数据进行综合分析,以了解疾病发展的潜在机制.机器学习算法现在正成为分析和理解疾病多组学数据的有效工具.讨论了基于机器学习的多组学数据分析的挑战及应用,包括疾病亚型识别,生物标志物发现,通路分析和药物发现及其再利用.

　　深度学习已经被广泛应用于基因组学研究中，利用已知的训练集对数据的类型和应答结果进行预测，深度学习，可以进行预测和降维分析。深度学习模型的能力更强且更灵活，在适当的训练数据下，深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基因组学，变异检测，致病性评分成功应用。深度学习可以提高基因组数据的可解释性，并将基因组数据转化为可操作的临床信息。

　　下面是近两年在顶刊发表的部分研究方向

　　Nature Protocols | 基于机器学习和并行计算的代谢组学数据处理新方法

　　Nature| 基于机器学习的血清代谢组学开发生物标志物用早期肺腺癌筛查

　　Nature Biotechnology自动化和机器学习的高通量微生物培养组学分离微生物组

　　Cancer Cell | 基于多模态深度学习的泛癌组织学-基因组学整合分析

　　Science Advances|利用深度学习发现癌症中的新基因突变

　　Nature|肿瘤微环境的多组学机器学习预测乳腺癌治疗反应

　　Nature|肺癌和转移瘤中的基因组-转录组进化

　　Nature Methods | 用深度多任务神经网络探索单细胞数据

　　JCIM|利用深度学习进行基于结构的从头药物设计

　　Journal of Medicinal Chemistry报道基于靶标结构的深度学习全新药物设计方法

　　Nature Reviews综述 | 机器学习在药物发现和开发的应用

　　Science Advances | 实现了对较小的膜蛋白晶体结构解析方法的研究突破

　　Nature：一种基于CRISPR/Cas9的非病毒精准基因组编辑临床级疗法

　　版权声明：文章来源于网络，由本平台整合撰写，版权归原作者或平台所有，分享只为学术交流，如有侵权请联系删除或整改，谢谢。