期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于融合神经网络模型的药物分子性质预测
被引量：
10
1
作者
谢良旭
李峰
+1 位作者
谢建平
许晓军
《计算机科学》
CSCD
北大核心
2021年第9期251-256,共6页
在生物信息学领域,人工智能方法在预测药物分子的物理化学性质和生物活性中获得了重大成功,特别是神经网络已被广泛应用到药物研发中。但是浅层神经网络的预测精度低,深度神经网络又容易出现过拟合的问题,而模型融合策略有望提升机器学...
在生物信息学领域,人工智能方法在预测药物分子的物理化学性质和生物活性中获得了重大成功,特别是神经网络已被广泛应用到药物研发中。但是浅层神经网络的预测精度低,深度神经网络又容易出现过拟合的问题,而模型融合策略有望提升机器学习中弱学习器的预测能力。据此,文中将模型融合方法首次应用到药物分子性质的预测中,通过对药物分子的化学结构进行信息化编码,采用平均法、堆叠法融合浅层神经网络,提高对药物分子pKa预测的能力。与深度学习方法相比,堆叠法(Stacking)融合的模型具有更高的预测准确性,其预测结果的相关系数达到0.86。通过将多个弱学习器的神经网络有机组合可使其达到深度神经网络的预测精度,同时保留更好的模型泛化能力。研究结果表明,模型融合方法可提高神经网络对药物分子pKa预测结果的准确性和可靠性。
展开更多
关键词
计算机辅助药物设计
生物信息学
模型融合
深度学习
机器学习
下载PDF
职称材料
跨课程PBL教学法在化学小分子设计和优化平台开发中的应用
2
作者
胡广
肖飞
《广东化工》
CAS
2021年第24期263-264,246,共3页
在后基因组时代背景下,计算机辅助药物发现在现代药物研发中体现越来越重要的作用。它不仅仅是交叉理论学科,涉及到计算机、生物、化工等学科的内容,更具有很强的实践性。因此,本教改论文探讨如何在生物信息学本科专业开展PBL教学,以一...
在后基因组时代背景下,计算机辅助药物发现在现代药物研发中体现越来越重要的作用。它不仅仅是交叉理论学科,涉及到计算机、生物、化工等学科的内容,更具有很强的实践性。因此,本教改论文探讨如何在生物信息学本科专业开展PBL教学,以一个药物设计中具体的问题为导向,将各不同学科中关联课程的知识串联起来,包括从实验流程设计将相关课程的内容以项目内容为导向,将相关知识进行模块化融合,加强知识的融会贯通和实践转化,加深学生对不同学科知识的综合理解,调动学生参与课堂的积极性以及独立思考的主动性,提升学生主动提出问题和解决问题的能力。同时也为类似交叉学科课程的教学和课程设计提供了新的思路。
展开更多
关键词
计算机辅助药物发现
PBL教学
跨课程
生物信息学
药物设计平台开发
下载PDF
职称材料
传统和机器学习策略在基于结构虚拟筛选中的应用
3
作者
张宏
高毅勤
《Chinese Journal of Chemical Physics》
SCIE
EI
CAS
CSCD
2024年第2期177-191,I0101,I0102,共17页
计算机辅助药物发现和人工智能驱动药物设计在制药行业中是减少时间和经济成本的重要策略.其中具有代表性的方法包括虚拟筛选、蛋白质-配体相互作用评估、药物药代动力学性质预测以及药物设计.通常来说,虚拟筛选是药物发现的第一步,其...
计算机辅助药物发现和人工智能驱动药物设计在制药行业中是减少时间和经济成本的重要策略.其中具有代表性的方法包括虚拟筛选、蛋白质-配体相互作用评估、药物药代动力学性质预测以及药物设计.通常来说,虚拟筛选是药物发现的第一步,其主要目标是识别和发现潜在的先导化合物的候选物.在过去的几十年里,已经开发了多种传统的和基于机器学习的方法来提高虚拟筛选的准确性和速度.本综述总结了传统和机器学习方法在基于结构的虚拟筛选中的应用,讨赖性较弱,且分布非常冷并在j=1处达到峰值,但(0,1,0)振动态的转论了它们的性能、优势和局限性等方面.
展开更多
关键词
分子对接
机器学习
基于结构的虚拟筛选
计算机辅助药物发现
人工智能驱动药物设计
下载PDF
职称材料
CADD和AIDD的药物化学刍议
4
作者
郭宗儒
《药学学报》
CAS
CSCD
北大核心
2023年第10期2931-2941,共11页
人工智能辅助药物发现(AIDD)是计算机辅助药物发现(CADD)的新版本,现代AI的学习能力极大地提升了CADD的能力。20世纪中叶,QSAR开拓了计算机辅助药物研究。在药物靶标结构信息未知的情况下,用回归的方法揭示具有相似骨架结构的化合物中...
人工智能辅助药物发现(AIDD)是计算机辅助药物发现(CADD)的新版本,现代AI的学习能力极大地提升了CADD的能力。20世纪中叶,QSAR开拓了计算机辅助药物研究。在药物靶标结构信息未知的情况下,用回归的方法揭示具有相似骨架结构的化合物中子结构与活性之间的定量关系,以指导药物分子的设计。经过几十年的发展,CADD技术在基于靶标结构的药物发现(SBDD)、基于片段的药物发现(FBDD)、基于靶标结构的虚拟筛选(SBVS)等方面获得了广泛的应用。而AIDD的重大变革,将显著提升计算机辅助药物设计、虚拟筛选和药物靶标发现的能力。本文从药物化学实践的角度,以实例解读CADD和AIDD的关系。
展开更多
关键词
计算机辅助药物发现
人工智能辅助药物发现
诺氟沙星
维奈托克
halicin
原文传递
题名
基于融合神经网络模型的药物分子性质预测
被引量：
10
1
作者
谢良旭
李峰
谢建平
许晓军
机构
江苏理工学院电气信息工程学院生物信息与医药工程研究所
江苏省中以产业技术研究院
江苏理工学院电气信息工程学院
湖州师范学院理学院
出处
《计算机科学》
CSCD
北大核心
2021年第9期251-256,共6页
基金
国家自然科学基金(12074151,22003020)
江苏省自然科学基金(BK20191032)
+1 种基金
常州市重点研发项目(CJ20200045)
江苏省中以产业技术研究院开放课题(JSIITRI202009)。
文摘
在生物信息学领域,人工智能方法在预测药物分子的物理化学性质和生物活性中获得了重大成功,特别是神经网络已被广泛应用到药物研发中。但是浅层神经网络的预测精度低,深度神经网络又容易出现过拟合的问题,而模型融合策略有望提升机器学习中弱学习器的预测能力。据此,文中将模型融合方法首次应用到药物分子性质的预测中,通过对药物分子的化学结构进行信息化编码,采用平均法、堆叠法融合浅层神经网络,提高对药物分子pKa预测的能力。与深度学习方法相比,堆叠法(Stacking)融合的模型具有更高的预测准确性,其预测结果的相关系数达到0.86。通过将多个弱学习器的神经网络有机组合可使其达到深度神经网络的预测精度,同时保留更好的模型泛化能力。研究结果表明,模型融合方法可提高神经网络对药物分子pKa预测结果的准确性和可靠性。
关键词
计算机辅助药物设计
生物信息学
模型融合
深度学习
机器学习
Keywords
computer
aided
drug
discovery
Bioinformatics
Model
ensembling
Deep
learning
Machine
learning
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
跨课程PBL教学法在化学小分子设计和优化平台开发中的应用
2
作者
胡广
肖飞
机构
苏州大学苏州医学院基础医学与生物科学学院
出处
《广东化工》
CAS
2021年第24期263-264,246,共3页
基金
教育部产学合作协同育人项目(202102448005)
江苏高校优势学科建设工程。
文摘
在后基因组时代背景下,计算机辅助药物发现在现代药物研发中体现越来越重要的作用。它不仅仅是交叉理论学科,涉及到计算机、生物、化工等学科的内容,更具有很强的实践性。因此,本教改论文探讨如何在生物信息学本科专业开展PBL教学,以一个药物设计中具体的问题为导向,将各不同学科中关联课程的知识串联起来,包括从实验流程设计将相关课程的内容以项目内容为导向,将相关知识进行模块化融合,加强知识的融会贯通和实践转化,加深学生对不同学科知识的综合理解,调动学生参与课堂的积极性以及独立思考的主动性,提升学生主动提出问题和解决问题的能力。同时也为类似交叉学科课程的教学和课程设计提供了新的思路。
关键词
计算机辅助药物发现
PBL教学
跨课程
生物信息学
药物设计平台开发
Keywords
computer
aided
drug
discovery
PBL
teaching
project
teaching
bioinformatics
development
of
drug
design
platform
分类号
O6-4 [理学—化学]
G642 [文化科学—高等教育学]
下载PDF
职称材料
题名
传统和机器学习策略在基于结构虚拟筛选中的应用
3
作者
张宏
高毅勤
机构
昌平实验室
北京大学化学与分子工程学院
北京大学生物医学前沿创新中心
出处
《Chinese Journal of Chemical Physics》
SCIE
EI
CAS
CSCD
2024年第2期177-191,I0101,I0102,共17页
基金
This work was supported by the National Science and Technology Major Project(2022ZD0115003)
the National Natural Science Foundation of China(No.92053202,No.92353304,No.22050003,No.21821004,No.21927901).
文摘
计算机辅助药物发现和人工智能驱动药物设计在制药行业中是减少时间和经济成本的重要策略.其中具有代表性的方法包括虚拟筛选、蛋白质-配体相互作用评估、药物药代动力学性质预测以及药物设计.通常来说,虚拟筛选是药物发现的第一步,其主要目标是识别和发现潜在的先导化合物的候选物.在过去的几十年里,已经开发了多种传统的和基于机器学习的方法来提高虚拟筛选的准确性和速度.本综述总结了传统和机器学习方法在基于结构的虚拟筛选中的应用,讨赖性较弱,且分布非常冷并在j=1处达到峰值,但(0,1,0)振动态的转论了它们的性能、优势和局限性等方面.
关键词
分子对接
机器学习
基于结构的虚拟筛选
计算机辅助药物发现
人工智能驱动药物设计
Keywords
Molecular
docking
Machine
learning
Structure-based
virtual
screening
computer
-
aided
drug
discovery
Artificial
intelligence-driven
drug
design
分类号
O64 [理学—物理化学]
TP181 [理学—化学]
下载PDF
职称材料
题名
CADD和AIDD的药物化学刍议
4
作者
郭宗儒
机构
中国医学科学院、北京协和医学院药物研究所
出处
《药学学报》
CAS
CSCD
北大核心
2023年第10期2931-2941,共11页
文摘
人工智能辅助药物发现(AIDD)是计算机辅助药物发现(CADD)的新版本,现代AI的学习能力极大地提升了CADD的能力。20世纪中叶,QSAR开拓了计算机辅助药物研究。在药物靶标结构信息未知的情况下,用回归的方法揭示具有相似骨架结构的化合物中子结构与活性之间的定量关系,以指导药物分子的设计。经过几十年的发展,CADD技术在基于靶标结构的药物发现(SBDD)、基于片段的药物发现(FBDD)、基于靶标结构的虚拟筛选(SBVS)等方面获得了广泛的应用。而AIDD的重大变革,将显著提升计算机辅助药物设计、虚拟筛选和药物靶标发现的能力。本文从药物化学实践的角度,以实例解读CADD和AIDD的关系。
关键词
计算机辅助药物发现
人工智能辅助药物发现
诺氟沙星
维奈托克
halicin
Keywords
computer
-
aided
drug
discovery
artificial
intelligence-
aided
drug
discovery
norfloxacin
veneto-clax
halicin
分类号
R914 [医药卫生—药物化学]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于融合神经网络模型的药物分子性质预测
谢良旭
李峰
谢建平
许晓军
《计算机科学》
CSCD
北大核心
2021
10
下载PDF
职称材料
2
跨课程PBL教学法在化学小分子设计和优化平台开发中的应用
胡广
肖飞
《广东化工》
CAS
2021
0
下载PDF
职称材料
3
传统和机器学习策略在基于结构虚拟筛选中的应用
张宏
高毅勤
《Chinese Journal of Chemical Physics》
SCIE
EI
CAS
CSCD
2024
0
下载PDF
职称材料
4
CADD和AIDD的药物化学刍议
郭宗儒
《药学学报》
CAS
CSCD
北大核心
2023
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
