AI医疗行业报告：从AIGC角度看医药产业图谱(附下载)
今天分享的是：AI医疗行业报告：从AIGC角度看医药产业图谱（报告出品方：西南证券）
AI可参与药物开发过程多个阶段
药物剂量和给药效果的识别:多年来，确定以最小毒副作用达到预期效果的药物最佳剂量一直是一个挑战。随着AI出现，研究人员正在借助ML和DL算法来确定合适的药物剂量。Shen等人开发了基于A的平台AL-PRS，用于确定通过抗逆转录病毒疗法治疗艾滋病毒的最佳剂量和药物组合。AI-PRS是一种电经网络驱动的方法，通过抛物线响应曲线(PRS)将药物组合和剂量疗效联系起来。在他们的研究中，10名HIV患者联合使用替诺福韦、法韦伦和拉米夫定，AI-PRS分析表明替诺福韦的剂量可以减少起始剂量的33%而不会导致病毒复发。
生物活性物质预测与药物释放监测:多种在线工具已被开发用于分析药物释放以及选定的生物活性化合物作为载体的可行性最常用的是基于化学特征的药效团评价，为了研究基于配体的化学性质，CATALYST程序已使用并建立了多项成功实验，此利用A可以确定用于与疾病相关特定职点的生物活性化合物。Wu等人利用集成DL和RF方法设计了WDL-RF用于测定靶向配体的G蛋白偶联受体( GPCRs )的生物活性。
蛋白质折叠和蛋白质相互作用预测 :分析蛋白质-蛋白质相互作用( PPI) 对药物开发与发现至关重要，如使用贝叶斯网络(BN)预测PPI，是利用基因共表达、基因本体(GO)和其他生物过程相似性，集成数据集产生精确的PPI网络。已有研究小使用BN结合酵母菌的数据集研究出新的层次模型PCA集成极限学习机( PCA-EELM)，可以仅使用蛋白质序列信息预测蛋白质-蛋白质相互作用，提供准确且快速的输出。
基于结构和基于配体的虚拟筛选:药物设计和药物发现中，虚拟筛选(VS)是CADD的重要方法之一，是从化合物库中筛选出要将ML用于VS，应该有由已知的活性和非活性化合物组成的过滤训练集，这些训练数据用有前景的治疗化合物的有效方法于使用监督学习技术训练模型，对训练模型进行验证，足够精确则将用于新的数据集以筛选具有所需活性的化合物。一般VS分两种，基于结构的VS (SBVS)和基于配体的VS (LBVS )。分子对接是SBVS中应用的主要原则,几种基于A和ML的评分算法已被开发，如NNScore、CScore、SVR-SCORE和ID-SCORE;也有算法被开发用于SBVS中分子动态模拟分析及预测SBVS中蛋白质-配体的亲和力，如RFS、支持向量机、CNNs和浅层神经网络; LBVS也开发了不同的算法和工具，如SwissSimilarity,METADOCK、Hvbridsim-VS.PKRank、BRUSELAS和AutoDock Bias等
报告共计：49页
海量/电子版报告/来源公众号: 优选报告库
报告共计：49页
海量/电子版报告/来源公众号: 优选报告库