CN105224823A - 一种药物基因靶点预测方法 - Google Patents
一种药物基因靶点预测方法 Download PDFInfo
- Publication number
- CN105224823A CN105224823A CN201510553487.0A CN201510553487A CN105224823A CN 105224823 A CN105224823 A CN 105224823A CN 201510553487 A CN201510553487 A CN 201510553487A CN 105224823 A CN105224823 A CN 105224823A
- Authority
- CN
- China
- Prior art keywords
- gene
- drug
- medicine
- network
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medicines Containing Material From Animals Or Micro-Organisms (AREA)
Abstract
本发明涉及一种新的药物基因组学分析方法，公开了一种药物基因靶点预测方法。是一种基于数据整合的药物基因靶点预测方法，本发明的方法可以利用改进后的MCODE聚类算法预测新的药物基因靶点。
Description
技术领域
本发明涉及药物基因组学和计算生物学领域，具体涉及一种药物基因靶点预测方法。
背景技术
药物基因组学是后基因组时代最重要的科学研究方向之一，是药物功能研究、药物靶点设计、研究药物基因互作和探索现有靶向药物机制的有效方法。药物基因组学是功能基因组学与分子药理学的有机结合，并区别于一般意义上的基因学，它不是以发现人类基因为主要目的，而是相对简单地运用已知的基因理论改善病人的治疗，以药物效应及安全性为目标，研究各种基因突变与药效及安全性的关系。正因为药物基因组学是研究基因序列变异及其对药物不同反应的科学，所以它是研究高效、特效药物的重要途径(PharmacogenomicsofHypertensionandHeartDisease.ArwoodMJ1,CavallariLH,DuarteJD.CurrHypertensRep.2015Sep；17(9):586.doi:10.1007/s11906-015-0586-5.)。
精准医疗(PrecisionMedicine)是以个体化医疗为基础、随着基因组测序技术快速进步以及生物信息与大数据科学的交叉应用而发展起来的新型医学概念与医疗模式。其本质是通过基因组、蛋白质组等组学技术和医学前沿技术，对于大样本人群与特定疾病类型进行生物标记物的分析与鉴定、验证与应用，从而精确寻找到疾病的原因和治疗的靶点，并对一种疾病不同状态和过程进行精确分类，最终实现对于疾病和特定患者进行个性化精准治疗的目的，提高疾病诊治与预防的效益。
靶向药物的研发是精准医疗的重要组成部分。实现精准医疗的基础是合理利用已经有效整合的海量组学数据；同样，靶向药物的研发，第一步需要对现有的药物基因组数据库进行有效的整合并从中进行数据挖掘。当前，世界上的权威药物基因组数据库有DrugBank、TherapeuticTargetDatabase和pharmGKB等。DrugBank，是目前世界上最大的药物数据库，由加拿大阿尔伯塔大学的科研工作者建立并负责维护，其收录了3000多种靶向药物品牌名、化学结构、蛋白和DNA序列、药理学、毒理学和病理学等80多个方面的信息，此外还收录了4100种已经获准或实验中药物的相关信息(DrugBank:acomprehensiveresourceforinsilicodrugdiscoveryandexploration.WishartDS,KnoxC,GuoAC,ShrivastavaS,HassanaliM,StothardP,ChangZ,WoolseyJ.NucleicAcidsRes.2006Jan1；34(Databaseissue):D668-72.DrugBank4.0:sheddingnewlightondrugmetabolism.LawV,KnoxC,DjoumbouY,JewisonT,GuoAC,LiuY,MaciejewskiA,ArndtD,WilsonM,NeveuV,TangA,GabrielG,LyC,AdamjeeS,DameZT,HanB,ZhouY,WishartDS.NucleicAcidsRes.2014Jan1；42(1):D1091-7.)。DrugBank最大的特色是它支持全面而复杂的搜索，结合DrugBank可视化软件，能让科研工作者们非常容易的检索到新的药物靶点、比较药物结构、研究药物机制以及探索新型药物。举个例子，如果有人得到了一种新病毒或致病菌的序列，他就可以利用DrugBank检索这些病毒或病菌上可能的蛋白质靶点和作用于这些靶点的药物，这就为医疗和药物开发带来了极大的便利。TherapeuticTargetDatabase，由新加坡国立大学的科研工作者建立并负责维护，该数据库提供了已知或正在探索的可用作治疗的蛋白质靶点和核苷酸靶点的信息，以及与这些靶点对应的靶疾病、靶通路和相应的药物/配体信息，还包含这些靶点在其他数据库中的相关链接，包括靶点的功能、序列、3D结构、配体结合性质、酶的命名以及相关文献等信息的链接。目前，此数据库中包含1174个靶点以及1251个药物/配体(ChenX,JiZL,ChenYZ.TTD:TherapeuticTargetDatabase.NucleicAcidsRes.30(1):412-415,2002.ZhuF,ShiZ,QinC,TaoL,LiuX,XuF,ZhangL,SongY,LiuXH,ZhangJX,HanBC,ZhangP,ChenYZ.Therapeutictargetdatabaseupdate2012:aresourceforfacilitatingtarget-orienteddrugdiscovery.NucleicAcidsRes.40(D1):D1128-1136,2012.)。pharmGKB，全称为ThePharmacogenetics&Pharmacogenomicsknowledgebase，是一个遗传药理学和基因组药理学数据库，同时也是对人类个体基因中存在的差异如何导致个体对药物反应差异进行研究的研究联盟，包含有15188个基因与4654种药物和4067种疾病的相互作用资料(M.Whirl-Carrillo,E.M.McDonagh,J.M.Hebert,L.Gong,K.Sangkuhl,C.F.Thorn,R.B.AltmanandT.E.Klein."PharmacogenomicsKnowledgeforPersonalizedMedicine"ClinicalPharmacology&Therapeutics(2012)92(4):414-417.)。该数据库由NIH/NIGMS遗传药理学研究网络和数据库支持。
近年来，聚类算法被越来越多地应用于药物基因靶点的预测，常见的聚类算法有MCODE算法和MCL算法。
MCODE算法，英文全称为MolecularComplexDetection，中文名称为分子复合物检测，是针对检测蛋白质网络中的蛋白质复合体而提出的一种聚类算法，它主要包括以下3个步骤：节点赋权重、模块预测以及可选的后期处理操作。该算法首先计算每个结点的密度(密度根据该节点以及其邻接点组成的子图的密度计算)，再根据设定的结点的度和密度以及遍历深度等参数对网络图进行深度遍历找到符合条件的子图，其中一个网络图中的一个结点代表一种事物，两个结点之间的边代表两个结点所代表的事物之间的联系。MCODE算法可以用来发现网络图中的稠密子图，一个稠密子图代表这些结点之间具有密切的联系，预示这些结点所代表的事物之间可能存在某些尚未被发现的关联(Anautomatedmethodforfindingmolecularcomplexesinlargeproteininteractionnetworks.GaryDBaderandChristopherWVHogue)，同时，该算法始终根据结点的度进行聚类操作，所以对网络图中的边的变动较为敏感。此外，MCODE算法不适用于带权网络图。
MCL算法，英文全称为MarkovClusterAlgorithm，中文名称为马尔可夫算法，是一种快速、简单、易扩展的聚类算法，它可以应用于有权有向图，核心思想为模拟图中的随机游走过程，其理论基础是：如果一个网络图中存在多个聚类簇，那么一个聚类簇中的边(事物与事物的联系)会相对较多，而聚类簇之间的边会比较少，这就意味着如果从一个结点开始随机地访问一个它的邻接点，则它更倾向于访问一个与它同属于一个聚类簇的邻结点(BroheeS,vanHeldenJ(2006)Evaluationofclusteringalgorithmsforprotein–proteininteractionnetworks.BMCBioinformatics7:488.)。MCL算法从网络图的邻接矩阵经过反复对矩阵执行normalization，inflation，expansion等操作使矩阵达到最终的稳定状态。所以相对于MCODE算法，该算法对网络图的边的变动相对不为敏感。此外，MCL算法既可用于不带权网络图，也可用于带权网络图。
MCODE算法与MCL算法都可以只依据网络图中结点的度进行聚类，所以本发明涉及到了这两种算法并对MCODE算法进行了改进。
发明内容
本发明要解决的技术问题是提供一种基于数据整合的药物基因靶点预测方法。
为解决上述技术方案，本发明提供一种药物基因靶点预测方法，其特征在于，其包括如下步骤：
(1)通过python脚本去除DrugBank数据库中的非靶向药物，并提取出所有靶向药物以及每种药物的重要信息；
(2)一种靶向药物通常能作用于多个基因靶点从而形成一对多的药物基因关系对，去除药物与细菌、真菌和病毒基因形成的关系对，得到“药物-人类基因关系对”；
(3)从每种药物的用药指导或药物描述信息中抽提出疾病名称，得到“药物-人类基因-疾病关系对”；
(4)通过类似的信息抽提方式，整合TherapeuticTargetDatabase和pharmGKB两个数据库的信息，并去除冗余信息，整合成一个新的二级数据库；
(5)当三个数据库进行更新时，通过python脚本自动下载数据库更新文件并抽提出更新信息写入二级数据库，通过人工的方式添加疾病名称；
(6)通过python脚本，将抽提出的疾病名称，按照世界卫生组织WHO发布的国际疾病分类与编码(ICD-10)以及国际卫生术语标准开发组织(IHTSDO)所发布的医学术语系统命名-临床术语(SNOMED-CT)标准进行疾病名称标准化；
(7)对每一种疾病名称按照国际疾病分类与编码(ICD-10)的标准进行疾病分类；
(8)在MCODE算法complexprediction步骤中加入fluffdensitythreshold步骤；
(9)导入下载自biogrid数据库的PPI网络数据，用MCODE算法对gene网络聚类得到网络子图，根据网络子图中的gene结点匹配二级数据库中的drug-gene-disease关系对数据并以网络的形式将匹配结果可视化展示；
(10)根据聚类产生的子网络进行药物基因靶点的预测。
本发明优选的一技术方案，所述的步骤(1)，从DurgBank数据库下载整个数据库的原始xml文件，总共包含7759种药物，通过python脚本去除其中的非靶向药物并提取出6671种靶向药物以及每种药物的23类信息，包括药物编号、药物名称、药物其它名称、CAS编号、药物商品名称、药物类型、药物分组、药物分类、代谢通路编号、靶点编号、作用方式是否已知、药物作用方式、靶点名称、基因名称、uniport编号、genebank基因编号、genebank蛋白质编号、基因在染色体上的位置、药物作用物种、基因功能、基因详细功能、用药指导和药物描述。
本发明优选的一技术方案，所述的步骤(8)，在MCODE算法深度遍历gene网络过程中，设当前被访问的结点为V0，其被选中的一个邻接点为scoreThreshold是一个给定的参数，当score(V1)>(1-scoreThreshold)*score(V0)时则将V1加入到当前complex中，否则不加入；如果只使用score这一个参数，遇到后续逐步加入结点的score是按降序排列的情况则很有可能会将score和density都很低的结点加入到complex中；如果每个complex中每个节点的density越高，那么从理论上来说，这个complex的合理性会越高，所以有必要对加入的结点设置一个density临界值，如果结点的density小于临界值则不加入，如此便可防止density低的结点被加入到complex中。
本发明优选的一技术方案，所述的步骤(9)，导入下载自biogrid数据库的PPI网络数据，采用MCODE算法对gene网络进行聚类，得到若干个gene子网络；导入已整合的二级数据库中的gene-drug-disease关系对网络数据；点击第一个gene子网络，根据gene子网络中的gene结点与gene-drug-disease网络进行匹配，并将匹配结果显示于cytoscape软件中；点击匹配结果网络中的结点或边，将结点或边的信息显示在cytoscape右边的detail面板上,如图3所示，点击一个代表一种drug的结点，结点的信息便显示在一侧的面板上，将鼠标放在任一文本框上，便可以显示文本框内全部信息。
本发明公开了一种新的药物基因组学分析方法，一种基于数据整合的药物基因靶点预测方法，本发明的方法可以利用改进后的MCODE聚类算法预测新的药物基因靶点。
附图说明
图1是DurgBank数据库信息抽提流程；
图2是biogrid数据库的PPI网络数据；
图3是网络可视化展示结果。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体应用要求的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。
本发明的具体实施方式可分为四大步骤：1)药物基因组数据库的整合、2)疾病名称与疾病类型的标准化、3)网络可视化和4)药物基因靶点预测。
步骤1)药物基因组数据库的整合
结合图1，以DurgBank数据库为例，阐明数据库信息抽提的流程。从DurgBank数据库下载整个数据库的原始xml文件，总共包含7759种药物，通过python脚本去除其中的非靶向药物并提取出6671种靶向药物以及每种药物的23类信息，包括药物编号(drug_id)、药物名称(drug_name)、药物其它名称(drug_synonyms)、CAS编号(drug_cas_number)、药物商品名称(drug_brands)、药物类型(drug_type)、药物分组(drug_groups)、药物分类(drug_categories)、代谢通路编号(pathway_id)、靶点编号(target_id)、作用方式是否已知(known_action)、药物作用方式(target_actions)、靶点名称(target_name)、基因名称(gene_name)、uniport编号(uniport_id)、genebank基因编号(genebank_gene_id)、genebank蛋白质编号(genebank_protein_id)、基因在染色体上的位置(locus)、药物作用物种(organism)、基因功能(general_function)、基因详细功能(specific_function)、用药指导(drug_indication)和药物描述(drug_description)等。由于一种靶向药物通常能作用于多个基因靶点，所以上述提取到的6671种靶向药物形成的“药物-基因关系对”为15119对。
对上述“药物-基因关系对”进行进一步筛选，去除药物与细菌、真菌和病毒基因形成的关系对，得到“药物-人类基因关系对”10791对，对应人类基因靶向药物4787种；
由于DrugBank数据库中并不直接包含疾病名称相关信息，所以需要通过人工的方式从每种药物的用药指导(drug_indication)或药物描述(drug_description)信息中抽提出疾病名称(disease_name)，得到“药物-人类基因-疾病关系对”6310对，对应人类疾病基因靶向药物1799种(其中癌症靶向药物324种，心血管疾病靶向药物290种)；
通过类似的信息抽提方式，整合TherapeuticTargetDatabase和pharmGKB两个数据库的信息，在去除冗余之后，总共得到人类疾病基因靶向药物2131种，“药物-人类基因-疾病关系对”8071对。至此，将DrugBank、TherapeuticTargetDatabase和pharmGKB三个数据库整合成了一个新的二级数据库。在以上三个数据库进行过更新时，通过python脚本自动下载数据库更新文件并抽提出更新信息写入二级数据库，通过人工的方式添加疾病名称。
步骤2)疾病名称与疾病类型的标准化
由于从各数据库中抽提出的部分疾病名称并不是标准疾病名称，特别是对于同一种疾病，可能存在多个疾病名称，所以这一步是对疾病名称进行标准化，并且根据疾病名称得到相应的疾病类型(disease_type)。
具体来说，通过python脚本，将抽提出的疾病名称，在世界卫生组织(WHO)发布的国际疾病分类与编码(ICD-10)数据库以及国际卫生术语标准开发组织(IHTSDO)所发布的医学术语系统命名-临床术语(SNOMED-CT)数据库中进行检索，若疾病名称与数据库中的疾病“术语全称”一致，则不作改变；若与数据库中的疾病“术语全称同义词”一致，则统一替换为该疾病的“术语全称”；若既没有匹配到“术语全称”又没有匹配到“术语全称同义词”，则通过人工的方式对疾病名称进行标准化校正。
在完成疾病名称标准化之后，对每一种疾病名称按照国际疾病分类与编码(ICD-10)的标准，添加疾病分类，所有疾病可划分为包括营养障碍、自身免疫性疾病、炎症性疾病、代谢性疾病、癌症、睡眠障碍、退行性疾病和精神障碍等21个大类；
步骤3)网络可视化展示
原始的MCODE算法在对于基因聚类在某些特殊情况下会出现误差，所以本步骤首先对算法进行改进：在MCODE算法深度遍历gene网络过程中，设当前被访问的结点为V0，其被选中的一个邻接点为scoreThreshold是一个给定的参数，当score(V1)>(1-scoreThreshold)*score(V0)时则将V1加入到当前complex中，否则不加入。如果只使用score这一个参数，遇到后续逐步加入结点的score是按降序排列的情况则很有可能会将score和density都很低的结点加入到complex中。如果每个complex中每个节点的density越高，那么从理论上来说，这个complex的合理性会越高，所以有必要对加入的结点设置一个density临界值，如果结点的density小于临界值则不加入，如此便可防止density低的结点被加入到complex中。如果在获取complexes后再采用fluffdensitythreshold步骤对每个complex进行过滤，则有可能破坏掉complex的k-core性质，所以算法改进的核心就是将fluffdensitythreshold步骤放在complexprediction中。
如图2所示，导入biogrid数据库的PPI网络数据，采用MCODE算法对gene网络进行聚类，得到若干个gene子网络(图3中右侧resultpanel中的红色子网络)；导入已整合的二级数据库中的gene-drug-disease关系对网络数据；点击第一个gene子网络，根据gene子网络中的gene结点与gene-drug-disease网络进行匹配，并将匹配结果显示于cytoscape软件中(图3中的cluster0框架所示)；点击匹配结果网络中的结点或边，将结点或边的信息显示在cytoscape右边的detail面板上,如图3所示，点击一个三角蓝色结点(代表一种drug)，结点的信息便显示在图3右侧的面板上，将鼠标放在任一文本框上，便可以显示文本框内全部信息(图3中显示的是结点的drug_synonyms信息)。
步骤4)药物基因靶点预测
根据cytoscape软件界面右侧resultpanel中经过聚类产生的子网络进行药物基因靶点预测，比如：当子网络中(共5个节点)的4个节点(节点为gene)其可视化所展示的药物(drug)或疾病(disease)信息皆与乳腺癌相关，那么剩余的一个节点(基因)即可作为一个潜在的治疗乳腺癌的新药物基因靶点。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种药物基因靶点预测方法，其特征在于，其包括如下步骤：
(1)通过python脚本去除DrugBank数据库中的非靶向药物，并提取出所有靶向药物以及每种药物的重要信息；
(2)一种靶向药物通常能作用于多个基因靶点从而形成一对多的药物基因关系对，去除药物与细菌、真菌和病毒基因形成的关系对，得到“药物-人类基因关系对”；
(3)从每种药物的用药指导或药物描述信息中抽提出疾病名称，得到“药物-人类基因-疾病关系对”；
(4)通过类似的信息抽提方式，整合TherapeuticTargetDatabase和pharmGKB两个数据库的信息，并去除冗余信息，整合成一个新的二级数据库；
(5)当三个数据库进行更新时，通过python脚本自动下载数据库更新文件并抽提出更新信息写入二级数据库，通过人工的方式添加疾病名称；
(6)通过python脚本，将抽提出的疾病名称，按照世界卫生组织WHO发布的国际疾病分类与编码ICD-10以及国际卫生术语标准开发组织IHTSDO所发布的医学术语系统命名-临床术语SNOMED-CT标准进行疾病名称标准化；
(7)对每一种疾病名称按照国际疾病分类与编码ICD-10的标准进行疾病分类；
(8)在MCODE算法complexprediction步骤中加入fluffdensitythreshold步骤；
(9)导入下载自biogrid数据库的PPI网络数据，用MCODE算法对gene网络聚类得到网络子图，根据网络子图中的gene结点匹配二级数据库中的drug-gene-disease关系对数据并以网络的形式将匹配结果可视化展示；
(10)根据聚类产生的子网络进行药物基因靶点的预测。
2.根据权利要求1所述的一种药物基因靶点预测方法，其特征在于，所述的步骤(1)，从DurgBank数据库下载整个数据库的原始xml文件，总共包含7759种药物，通过python脚本去除其中的非靶向药物并提取出6671种靶向药物以及每种药物的23类信息，包括药物编号、药物名称、药物其它名称、CAS编号、药物商品名称、药物类型、药物分组、药物分类、代谢通路编号、靶点编号、作用方式是否已知、药物作用方式、靶点名称、基因名称、uniport编号、genebank基因编号、genebank蛋白质编号、基因在染色体上的位置、药物作用物种、基因功能、基因详细功能、用药指导和药物描述。
3.根据权利要求1所述的一种药物基因靶点预测方法，其特征在于，所述的步骤(8)，在MCODE算法深度遍历gene网络过程中，设当前被访问的结点为V0，其被选中的一个邻接点为scoreThreshold是一个给定的参数，当score(V1)>(1-scoreThreshold)*score(V0)时则将V1加入到当前complex中，否则不加入；如果只使用score这一个参数，遇到后续逐步加入结点的score是按降序排列的情况则很有可能会将score和density都很低的结点加入到complex中；如果每个complex中每个节点的density越高，那么从理论上来说，这个complex的合理性会越高，所以有必要对加入的结点设置一个density临界值，如果结点的density小于临界值则不加入，如此便可防止density低的结点被加入到complex中。
4.根据权利要求1所述的一种药物基因靶点预测方法，其特征在于，所述的步骤(9)，导入下载自biogrid数据库的PPI网络数据，采用MCODE算法对gene网络进行聚类，得到若干个gene子网络；导入已整合的二级数据库中的gene-drug-disease关系对网络数据；点击第一个gene子网络，根据gene子网络中的gene结点与gene-drug-disease网络进行匹配，并将匹配结果显示于cytoscape软件中；点击匹配结果网络中的结点或边，将结点或边的信息显示在cytoscape右边的detail面板上,点击一个代表一种drug的结点，结点的信息便显示在一侧的面板上，将鼠标放在任一文本框上，便可以显示文本框内全部信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510553487.0A CN105224823B (zh) | 2015-09-02 | 2015-09-02 | 一种药物基因靶点预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510553487.0A CN105224823B (zh) | 2015-09-02 | 2015-09-02 | 一种药物基因靶点预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105224823A true CN105224823A (zh) | 2016-01-06 |
| CN105224823B CN105224823B (zh) | 2018-12-25 |
Family
ID=54993789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510553487.0A Active CN105224823B (zh) | 2015-09-02 | 2015-09-02 | 一种药物基因靶点预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105224823B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105893786A (zh) * | 2016-01-29 | 2016-08-24 | 四川好医生攀西药业有限责任公司 | 用于研究美洲大蠊活性成分及作用靶点和疾病关系的方法 |
| CN106778049A (zh) * | 2017-03-13 | 2017-05-31 | 成都育芽科技有限公司 | 一种基于大数据平台的社区精准医疗救助及其方法 |
| CN107346372A (zh) * | 2017-06-19 | 2017-11-14 | 苏州班凯基因科技有限公司 | 一种应用于基因突变解读的数据库及其构建方法 |
| CN107423555A (zh) * | 2017-06-09 | 2017-12-01 | 王�忠 | 一种探索药物新适应症的方法 |
| CN109935341A (zh) * | 2019-04-09 | 2019-06-25 | 北京深度制耀科技有限公司 | 一种药物新适应症的预测方法及装置 |
| CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441682A (zh) * | 2007-11-21 | 2009-05-27 | 上海生物信息技术研究中心 | 中药药效物质机理的生物信息分析平台及其分析方法 |
| US20110153302A1 (en) * | 2009-11-24 | 2011-06-23 | Massachusetts Institute Of Technology | Identification of drug effects on signaling pathways using integer linear programming |
| CN103093108A (zh) * | 2013-01-28 | 2013-05-08 | 西北农林科技大学 | 一种中药系统药理学分析平台及分析方法 |
| WO2014173912A1 (en) * | 2013-04-23 | 2014-10-30 | Philip Morris Products S.A. | Systems and methods for using mechanistic network models in systems toxicology |
-
2015
- 2015-09-02 CN CN201510553487.0A patent/CN105224823B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441682A (zh) * | 2007-11-21 | 2009-05-27 | 上海生物信息技术研究中心 | 中药药效物质机理的生物信息分析平台及其分析方法 |
| US20110153302A1 (en) * | 2009-11-24 | 2011-06-23 | Massachusetts Institute Of Technology | Identification of drug effects on signaling pathways using integer linear programming |
| CN103093108A (zh) * | 2013-01-28 | 2013-05-08 | 西北农林科技大学 | 一种中药系统药理学分析平台及分析方法 |
| WO2014173912A1 (en) * | 2013-04-23 | 2014-10-30 | Philip Morris Products S.A. | Systems and methods for using mechanistic network models in systems toxicology |
Non-Patent Citations (3)
| Title |
|---|
| GARY D BADER ET AL.: "An automated method for finding molecular complexes in large protein interaction networks", 《BMC BIOINFORMATICS》 * |
| 叶浩等: "基于分子指纹相似性的药物-药物网络", 《华东理工大学学报（自然科学版）》 * |
| 李星: "基于复杂网络的症状基因预测方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105893786A (zh) * | 2016-01-29 | 2016-08-24 | 四川好医生攀西药业有限责任公司 | 用于研究美洲大蠊活性成分及作用靶点和疾病关系的方法 |
| CN106778049A (zh) * | 2017-03-13 | 2017-05-31 | 成都育芽科技有限公司 | 一种基于大数据平台的社区精准医疗救助及其方法 |
| CN107423555A (zh) * | 2017-06-09 | 2017-12-01 | 王�忠 | 一种探索药物新适应症的方法 |
| CN107423555B (zh) * | 2017-06-09 | 2020-06-30 | 王�忠 | 一种探索药物新适应症的方法 |
| CN107346372A (zh) * | 2017-06-19 | 2017-11-14 | 苏州班凯基因科技有限公司 | 一种应用于基因突变解读的数据库及其构建方法 |
| CN109935341A (zh) * | 2019-04-09 | 2019-06-25 | 北京深度制耀科技有限公司 | 一种药物新适应症的预测方法及装置 |
| CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
| CN113077875B (zh) * | 2021-03-23 | 2023-04-18 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105224823B (zh) | 2018-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11699507B2 (en) | Method and process for predicting and analyzing patient cohort response, progression, and survival | |
| CN105224823A (zh) | 一种药物基因靶点预测方法 | |
| Wang et al. | Network-based methods for human disease gene prediction | |
| CN103778349B (zh) | 一种基于功能模块的生物分子网络分析的方法 | |
| US7356416B2 (en) | Method and system for automated inference creation of physico-chemical interaction knowledge from databases of co-occurrence data | |
| Wang et al. | DeepDRK: a deep learning framework for drug repurposing through kernel-based multi-omics integration | |
| Le Van et al. | Simultaneous discovery of cancer subtypes and subtype features by molecular data integration | |
| Hasan et al. | Design protein-protein interaction network and protein-drug interaction network for common cancer diseases: A bioinformatics approach | |
| Cho et al. | Dissecting cancer heterogeneity with a probabilistic genotype-phenotype model | |
| WO2016191340A1 (en) | Discovery and analysis of drug-related side effects | |
| Liang et al. | Cancer subtype identification by consensus guided graph autoencoders | |
| Kim et al. | LGscore: a method to identify disease-related genes using biological literature and Google data | |
| Ye et al. | Circular Trajectory Reconstruction Uncovers Cell‐Cycle Progression and Regulatory Dynamics from Single‐Cell Hi‐C Maps | |
| Zamani-Ahmadmahmudi et al. | Reconstruction of canine diffuse large B-cell lymphoma gene regulatory network: detection of functional modules and hub genes | |
| Jeitziner et al. | Two-Tier Mapper, an unbiased topology-based clustering method for enhanced global gene expression analysis | |
| Pavel et al. | The potential of a data centred approach & knowledge graph data representation in chemical safety and drug design | |
| Mounika Inavolu et al. | IODNE: An integrated optimization method for identifying the deregulated subnetwork for precision medicine in cancer | |
| Tho Dang et al. | Drug Repositioning for Drug Disease Association in Meta-paths | |
| Sharma et al. | Detecting protein complexes based on a combination of topological and biological properties in protein-protein interaction network | |
| Liu et al. | Integrative construction of regulatory region networks in 127 human reference epigenomes by matrix factorization | |
| Jessen et al. | Mining PubMed for biomarker-disease associations to guide discovery | |
| Byron | Clustering and network analysis of reverse phase protein array data | |
| Abraham | Semantic Foundations for Formalizing Brain Cancer Profiles | |
| Guo | Network medicine: new paradigm in the-omics era | |
| Jha et al. | Network based algorithms for module extraction from RNASeq data: A quantitative assessment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 215123 Suzhou Industrial Park, Jiangsu, No. D, No. 388, building No. 601, room Applicant after: Suzhou Association Gene Technology Co., Ltd. Address before: 215123 Suzhou Industrial Park, Jiangsu, No. D, No. 388, building No. 601, room Applicant before: SUZHOU GENEWORKS BIOTECHNOLOGY CO., LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |