通过深度学习增强药药反应和药食反应的预测效果

深度学习增强药药反应和药食反应的预测效果"/>

通过深度学习增强药药反应和药食反应的预测效果

通过深度学习增强药药反应和药食反应的预测效果

• 通过深度学习增强药药反应和药食反应的预测效果
  • 前言
  • 背景
  • 方法与实验
  • 优点
  • 缺点
  • 相关的工作
  • 结果
  • 应用场景
  • 讨论
  • 我的想法

前言

还是不要不务正业了，重新回到DDI的怀抱之中。（笑）

这篇是PNAS（美国科学院）的论文，还是有点分量的……虽然我觉得有点水

本篇文章主要讲的是基于深度学习的药物副作用与药物宇食物的作用的预测。

背景

药与药(drug-drug interaction，DDI)，药与食物(drug-food constituent interaction，DFI)之间会产生极其大的反应，其中有很多恶性的反应（adverse drug events, ADE)，也有良性的反应。我们药减少恶性的反应并且增加良性的反应。

作者主要描述了基于深度学习的DDI和DFI的预测，模型名为DeepDDI。

方法与实验

作者使用了深度学习的方法进行DDI的预测，将DDI作为86类分类器（具体哪八十六类，可以参考deep-ddi所有数据文件的dataset-S01）。

上图是模型主要架构

可以看见，将药物的SMILES（simplified molecular-input line-entry system，简化分子线性输入规范，用于描述一个化学物质的结构）输入，并且可以生成SSP（structural similarity profile，药物的特征向量，可以描述给定药物的独特结构特征）

ps：SSP我google+百度了半天没查到，可能SSP是他们原创的方法

SSP可以对某个单独的药物描述结构性特征。计算方法是与所有的2159个DrugBank中的药物的ECFP4（illustration of ECFP4）经行比对。通过计算对每个药物的ECFP4的Tanimoto系数 T(