CN111986817A - 一种通过ace2筛选新冠covid-19治疗药物的方法 - Google Patents
一种通过ace2筛选新冠covid-19治疗药物的方法 Download PDFInfo
- Publication number
- CN111986817A CN111986817A CN202010847647.3A CN202010847647A CN111986817A CN 111986817 A CN111986817 A CN 111986817A CN 202010847647 A CN202010847647 A CN 202010847647A CN 111986817 A CN111986817 A CN 111986817A
- Authority
- CN
- China
- Prior art keywords
- ace2
- covid
- screening
- similarity
- biomedical
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本发明提供了一种通过ACE2筛选新冠COVID‑19治疗药物的方法,包括如下步骤:S10数据采集,采集与ACE2相关的医疗文献资料;S20使用自然语言处理从所述医疗文献资料中提取生物医学概念实体;S30使用嵌入向量方法把所述生物医学概念实体转换为机器可识别的向量形式;以及S40通过各向量间余弦相似度获得ACE2与所述生物医学概念实体间的相似度,通过相似度分析获得治疗药物。本发明的一种通过ACE2筛选新冠COVID‑19治疗药物的方法,从ACE2出发,使用自然语言处理方法,分析与ACE2相关的所有文献,可以在短时间内由程序筛选出COVID‑19相关的药物、器官与靶点,提高治疗方案选取的效率。
Description
技术领域
本发明涉及智慧医疗技术领域,具体涉及一种通过ACE2筛选新冠COVID-19治疗药物的方法。
背景技术
人们对COVID-19这种疾病的症状,自然病史及其发病率感到困惑,从而阻碍了对新型冠状病毒SARS-CoV-2感染引起的人类疾病升级的早期反应。在COVID-19大流行的初期,临床表现在很大程度上被认为是轻度的,有发烧,咳嗽,呕吐和头痛的患者,或严重的,有呼吸困难,凝血功能障碍以及肾脏和其他器官系统功能受损的患者。由于临床表现的复杂性,对COVID-19的精确诊断和治疗一直是一项持续的挑战。此外,由于没有有效的药物可治疗COVID-19,因此迫切需要找到基于冠状病毒发病机理,临床表现,器官受累和过去治疗经验的药物。
许多研究使用生物信息学方法从基因表达分析和蛋白质-蛋白质相互作用分析中预测COVID-19候选药物。其他研究集中在通过分子3D结构的虚拟对接筛选来预测候选药物。这些方法主要用于系统生物学方法来识别COVID-19候选药物。基于人工智能(AI)的自然语言处理(NLP)方法为从许多非结构化研究文章中找出有可能阻止冠状病毒发病机理的循证医学提供了新途径。NLP可以自动从文献中阐明生物医学概念的文本表示形式中的隐藏知识。但是,迄今为止,尚无已发表的从angiotensin-converting enzyme 2(ACE2)入手研究,全面阐述关于COVID-19的临床表现和生物医学机制,以确定治疗靶标的优先次序。
众所周知,冠状病毒通过其病毒突波(S)蛋白与宿主细胞受体的结合进入细胞。S蛋白实际上是由宿主细胞的蛋白酶引发的,因此阻断宿主的受体蛋白及其助手可以阻止病毒进入细胞。最近的研究证实,SARS-CoV-2利用SARS-CoV受体ACE2进入细胞。有了这些最近获得的知识,我们认为使用自然语言处理的工具来识别有关ACE2的循证报告可能会迅速而有效地产生有关这些基因与SARS-CoV-2关系的重要知识。这些知识发现药物可能有助于指导人们有效地靶向受体蛋白及其辅助物,以控制COVID-19中的感染。
现有技术针对ACE2的研究,都是人工从文献中寻找相关的靶点与药物,然后人工做分子细胞和动物实验,耗时长,效率低,覆盖的知识面不够全面。
发明内容
为了解决上述问题,本发明提供一种通过ACE2筛选新冠COVID-19治疗药物的方法,从ACE2出发,使用自然语言处理方法,分析与ACE2相关的所有文献,可以在短时间内由程序筛选出COVID-19相关的药物、器官与靶点,提高治疗方案选取的效率。
为了实现以上目的,本发明采取的一种技术方案是:
一种通过ACE2筛选新冠COVID-19治疗药物的方法,包括如下步骤:S10数据采集,采集与ACE2相关的医疗文献资料;S20使用自然语言处理从所述医疗文献资料中提取生物医学概念实体;S30使用嵌入向量方法把所述生物医学概念实体转换为机器可识别的向量形式;以及S40通过各向量间余弦相似度获得ACE2与所述生物医学概念实体间的相似度,通过相似度分析获得治疗药物。
进一步地,还包括S50采用融合了restart算法的随机游走来对生物医学概念实体进行优先级排序。
进一步地,所述生物医学概念实体包括疾病类型、器官类别、基因种类以及药物类别。
进一步地,所述相似度包括ACE2分别与器官类别、疾病类别、基因种类以及药物类别的相似度。
进一步地,所述自然语言处理为信息提取工具MetaMap。
进一步地,所述嵌入向量方法为MedE2Vec模型。
本发明的上述技术方案相比现有技术具有以下优点:
本发明的一种通过ACE2筛选新冠COVID-19治疗药物的方法,从ACE2出发,使用自然语言处理方法,分析与ACE2相关的所有文献,可以在短时间内由程序筛选出COVID-19相关的药物、器官与靶点,提高治疗方案选取的效率。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其有益效果显而易见。
图1所示为本发明一实施例的一种通过ACE2筛选新冠COVID-19治疗药物的方法流程图;
图2所示为本发明一实施例的MedE2Vec模型架构图;
图3所示为本发明一实施例的通过ACE2筛选新冠COVID-19治疗药物的流程框图;
图4所示为本发明一实施例的COVID-19基因作为药物治疗靶点的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种通过ACE2筛选新冠COVID-19治疗药物的方法,如图1所示,包括如下步骤:S10数据采集,采集与ACE2相关的医疗文献资料。S20使用自然语言处理从所述医疗文献资料中提取生物医学概念实体。S30使用嵌入向量方法把所述生物医学概念实体转换为机器可识别的向量形式。S40通过各向量间余弦相似度获得ACE2与所述生物医学概念实体间的相似度,通过相似度分析获得治疗药物。以及S50采用融合了restart算法的随机游走来对生物医学概念实体进行优先级排序。所述生物医学概念实体包括疾病类型、器官类别、基因种类以及药物类别。所述相似度包括ACE2分别与器官类别、疾病类别、基因种类以及药物类别的相似度。所述自然语言处理为信息提取工具MetaMap。所述嵌入向量方法为MedE2Vec模型。
ACE2也称为ACEH,为血管紧张素转化酶2。该基因编码的蛋白属于二肽基羧基二肽酶的血管紧张素转换酶家族,与人血管紧张素转换酶1具有相当大的同源性。这种分泌的蛋白质催化血管紧张素I分裂成血管紧张素1-9,及血管紧张素II分裂成血管舒张剂血管紧张素1-7。ACE2与Ang II型1型和2型受体有很强的亲和力,用于调节血压、体液平衡、炎症、细胞增殖、肥大和纤维化。同时该基因的器官和细胞的特异性表达提示其可能在调节心血管和肾脏功能以及生育方面发挥作用。此外,该基因编码蛋白是SARS和HCoV-NL63人类冠状病毒S糖蛋白的功能受体。
自然语言处理(Natural Language Processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。其在生物医学领域迅速发展,已经成为当前的研究热点。临床医学信息大量的以非结构化(或半结构化)文本形式存储于信息系统中,NLP是从医疗文本中提取有用信息的关键技术。通过自然语言处理,这些非结构化的医疗文本被转化为包含重要医学信息的结构化数据,科研人员才可以从这些结构化的数据中发现有用医学信息,从而提高医疗系统的运行质量,减少运行成本。代表性的临床医学NLP系统有MedLEE、MetaMap、cTAKES、MedEx、KnowledgeMap等。本发明优选MetaMap对生物医学概念实体进行提取,MetaMap由NLM(National Library of Medicine)于2001年设计的,可以通过将生物医学文本映射到统一医学语言系统(UMLS)Metathesaurus,是一种进行信息提取的生物医学自然语言处理工具。由于MetaMap提取的初始信息中包含冗余的,并且相关度较低的术语,因此,我们仅保留属于器官系统,疾病和基因的术语。利用MetaMap提取其中有用的诊疗信息,最终形成知识本体或者知识网络,从而为后续的各种文本挖掘任务提供标准和便利。这些临床医学NLP系统的应用覆盖了医学信息抽取、医学文本分类、医疗决策支持、病人信息管理、医疗信息问答、医学知识挖掘及知识库建立等诸多领域。
使用MetaMap从非结构化文献中提取器官的生物医学概念术语。由于某些基因具有别名,我们还使用GeneCards标准化了基因名称。将所有医疗实体标记为统一概念,用于下游词向量分析任务使用,如下表1所示。
表1.与ACE2相关的基因标准名称
所述嵌入向量方法为MedE2Vec模型,MedE2Vec受Skip-gram模型和注意力机制的启发,对Word2Vec模型和Med2Vec模型进行改进获得了向量转化模型MedE2Vec。在自然语言中,上下文中的每个词与中心词的关系是不一样的,因此改进的MedE2Vec模型中,上下文中的每个词对中心词的更新值也是不同的。在自然语言处理任务中,一个句子由多个词语构成,多个句子又构成了整篇文章。MedE2Vec首先输入生物医学概念实体,由初始化向量矩阵W将其初始化为向量表示的医疗实体序列,向量矩阵W的大小为eall*c,c表示向量的维度。接着将其输入到第一个子层也就是注意力机制层中进行优化。类似Transformer的编码器结构,我们的注意力机制层中也包含了两个子层:第一子层是注意力机制的基本结构;第二子层是一个普通的前馈神经网络。公式4-1是注意力机制的核心公式,被称为点乘注意力机制,Q,K,V分别表示:查询向量、键向量和值向量。其中dk表示Q,K或者V的维度,这里除以dk的平方根是防止QKT的乘积过大,SoftMax函数进入饱和区,梯度过小无法训练。MedE2Vec中使用的是自注意力机制,Q,K和V是相等的。为了提取更多的特征,使用了多头注意力的结构,如图2所示,共有8个注意力头。8个注意力头相当于8个子任务,每个子任务都产生各自的注意力。将K,Q和V分别进行线性变化,产生8个K,Q和V,接着分别将他们输入公式4-1计算注意力值,之后再将它们连接起来,构成完整的注意力。8个注意力头计算注意力的时候,可以并行运算,加快计算速度。多头注意力层和前馈神经网络层都使用了残差连接来防止梯度消散。在第二个子层捕获同一患者不同诊疗事件间的关系的时候,本研究使用了log似然函数来无监督的优化诊疗事件向量。
经过迭代训练得到向量矩阵W,通过连续优化向量矩阵W来获得最终矩阵。共现对数似然函数用于优化摘要:
其中ei,ej表示不同的生物学概念实体,Et代表一个摘要,T表示摘要的总数,通过最大化这个损失函数值,最终我们得到向量矩阵W。MedE2Vec模型采用多头设计的自注意力算法在访问级别识别重要的全局表示,与以前的词嵌入方法相比,大大提高了嵌入精度。
实施例1
如图3所示,S10使用COVID-19目标基因ACE2作为关键词在PubMed公共数据库中进行文献检索,获得1994年至2020年之间发布的与ACE2相关的1912篇摘要文献资料。
S20使用自然语言处理信息提取工具MetaMap从所述文献资料中提取ACE2相关的生物医学概念实体,如:疾病、基因、药物、器官等。S30使用嵌入向量方法把所述生物医学概念实体转换为机器可识别的向量形式。
S40通过各向量间余弦相似度获得ACE2与所述生物医学概念实体间的相似度Sc,通过相似度分析获得治疗药物。如图4所示,进行通路的分析,以验证COVID-19基因相关的路径。通过余弦相似性评分(Sc)进一步计算了实体向量之间的关联。使用TensorFlow1.8.0深度学习框架实施和训练,所有模型计算都在两个16G NVIDIA TESLA P100图形卡的CentOS服务器上执行。为获得最佳结果,对LEI4COV进行了20个epochs的训练工作量。最后,使用了一种网络分析方法,采用融合了restart算法的随机游走来对药物进行优先级排序。
采用自然语言处理ACE2相关的文献,如下表2~4所示,我们可以迅速的发现与新冠病毒相关的器官包括心血管器官系统如肾素-血管紧张素系统,心脏和肾脏等,ACE2相关的疾病包括COVID-19、SARS、MERS,相关的症状包括:发热、头疼、肌痛、乏力、眩晕等等,相关的治疗药物包括多西环素、罗红霉素、吉美沙星、麦考酚酸等。
表2.ACE2与器官的相似度
表3.ACE2相关疾病的症状的相似度
表4.使用ACE2预测药物的相似度
发现潜在药物的相关通路如下表5所示。
表5.发现潜在药物的相关通路
以上所述仅为本发明的示例性实施例,并非因此限制本发明专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种通过ACE2筛选新冠COVID-19治疗药物的方法,其特征在于,包括如下步骤:
S10数据采集,采集与ACE2相关的医疗文献资料;
S20使用自然语言处理从所述医疗文献资料中提取生物医学概念实体;
S30使用嵌入向量方法把所述生物医学概念实体转换为机器可识别的向量形式;以及
S40通过各向量间余弦相似度获得ACE2与所述生物医学概念实体间的相似度,通过相似度分析获得治疗药物。
2.根据权利要求1所述的通过ACE2筛选新冠COVID-19治疗药物的方法,其特征在于,还包括S50采用融合了restart算法的随机游走来对生物医学概念实体进行优先级排序。
3.根据权利要求1所述的通过ACE2筛选新冠COVID-19治疗药物的方法,其特征在于,所述生物医学概念实体包括疾病类型、器官类别、基因种类以及药物类别。
4.根据权利要求3所述的通过ACE2筛选新冠COVID-19治疗药物的方法,其特征在于,所述相似度包括ACE2分别与器官类别、疾病类别、基因种类以及药物类别的相似度。
5.根据权利要求1所述的通过ACE2筛选新冠COVID-19治疗药物的方法,其特征在于,所述自然语言处理为信息提取工具MetaMap。
6.根据权利要求1所述的通过ACE2筛选新冠COVID-19治疗药物的方法,其特征在于,所述嵌入向量方法为MedE2Vec模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847647.3A CN111986817A (zh) | 2020-08-21 | 2020-08-21 | 一种通过ace2筛选新冠covid-19治疗药物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847647.3A CN111986817A (zh) | 2020-08-21 | 2020-08-21 | 一种通过ace2筛选新冠covid-19治疗药物的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986817A true CN111986817A (zh) | 2020-11-24 |
Family
ID=73442774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010847647.3A Pending CN111986817A (zh) | 2020-08-21 | 2020-08-21 | 一种通过ace2筛选新冠covid-19治疗药物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986817A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708679A (zh) * | 2024-02-04 | 2024-03-15 | 西北工业大学 | 一种基于神经网络的药物筛选方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622346A (zh) * | 2011-01-26 | 2012-08-01 | 中国科学院上海生命科学研究院 | 中文文献数据库的蛋白质知识挖掘和发现的方法、装置、系统 |
CN106708959A (zh) * | 2016-11-30 | 2017-05-24 | 重庆大学 | 一种基于医学文献数据库的组合药物识别与排序方法 |
CN109903854A (zh) * | 2019-01-25 | 2019-06-18 | 电子科技大学 | 一种基于中医药文献的核心药物识别方法 |
CN110348019A (zh) * | 2019-07-17 | 2019-10-18 | 南通大学 | 一种基于注意力机制的医疗实体向量转化方法 |
WO2020019797A1 (zh) * | 2018-07-23 | 2020-01-30 | 无锡慧方科技有限公司 | 电子病历数据解析方法、装置、计算机及可读存储介质 |
CN111635461A (zh) * | 2020-05-07 | 2020-09-08 | 乾元康安(苏州)生物科技有限公司 | 一种ACE2-Albumin重组蛋白及其制备方法和应用 |
-
2020
- 2020-08-21 CN CN202010847647.3A patent/CN111986817A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622346A (zh) * | 2011-01-26 | 2012-08-01 | 中国科学院上海生命科学研究院 | 中文文献数据库的蛋白质知识挖掘和发现的方法、装置、系统 |
CN106708959A (zh) * | 2016-11-30 | 2017-05-24 | 重庆大学 | 一种基于医学文献数据库的组合药物识别与排序方法 |
WO2020019797A1 (zh) * | 2018-07-23 | 2020-01-30 | 无锡慧方科技有限公司 | 电子病历数据解析方法、装置、计算机及可读存储介质 |
CN109903854A (zh) * | 2019-01-25 | 2019-06-18 | 电子科技大学 | 一种基于中医药文献的核心药物识别方法 |
CN110348019A (zh) * | 2019-07-17 | 2019-10-18 | 南通大学 | 一种基于注意力机制的医疗实体向量转化方法 |
CN111635461A (zh) * | 2020-05-07 | 2020-09-08 | 乾元康安(苏州)生物科技有限公司 | 一种ACE2-Albumin重组蛋白及其制备方法和应用 |
Non-Patent Citations (1)
Title |
---|
小酷CUSABIO: "《战疫时刻|再谈ACE2——新冠肺炎的"导火线"和"灭火器"》", 《HTTPS://BAIJIAHAO.BAIDU.COM/S?ID=1666632639882098907&WFR=SPIDER&FOR=PC》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708679A (zh) * | 2024-02-04 | 2024-03-15 | 西北工业大学 | 一种基于神经网络的药物筛选方法及装置 |
CN117708679B (zh) * | 2024-02-04 | 2024-04-26 | 西北工业大学 | 一种基于神经网络的药物筛选方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | DeepMGT-DTI: Transformer network incorporating multilayer graph information for Drug–Target interaction prediction | |
CN109920540A (zh) | 辅助诊疗决策系统的构建方法、装置及计算机设备 | |
Yang et al. | DeepIDC: a prediction framework of injectable drug combination based on heterogeneous information and deep learning | |
CN111048167B (zh) | 一种层级式病例结构化方法及系统 | |
CN108062978B (zh) | 一种急性冠状动脉综合征患者的主要不良心血管事件预测方法 | |
JP7464800B2 (ja) | 小サンプル弱ラベル付け条件での医療イベント認識方法及びシステム | |
CN108509419A (zh) | 中医药古籍文献分词和词性标引方法及系统 | |
Zennaki et al. | Unsupervised and lightly supervised part-of-speech tagging using recurrent neural networks | |
Wang et al. | EHR2Vec: representation learning of medical concepts from temporal patterns of clinical notes based on self-attention mechanism | |
Zhang et al. | Chinese medical relation extraction based on multi-hop self-attention mechanism | |
Kocaman et al. | Improving clinical document understanding on COVID-19 research with spark NLP | |
CN111986817A (zh) | 一种通过ace2筛选新冠covid-19治疗药物的方法 | |
AlZu’Bi et al. | transfer learning enabled CAD system for monkey pox classification | |
CN111986818A (zh) | 一种基于tmprss2的新冠covid-19治疗药物筛选系统 | |
Xing et al. | Phenotype extraction based on word embedding to sentence embedding cascaded approach | |
Li et al. | A transition-based model for jointly extracting drugs, diseases and adverse drug events | |
Luo et al. | Early prediction of organ failures in patients with acute pancreatitis using text mining | |
Montenegro et al. | The hope model architecture: a novel approach to pregnancy information retrieval based on conversational agents | |
Oniani et al. | Emerging Opportunities of Using Large Language Language Models for Translation Between Drug Molecules and Indications | |
Zhang et al. | Bi-LSTM-CRF network for clinical event extraction with medical knowledge features | |
Wang et al. | How Robust is Your Automatic Diagnosis Model? | |
Grundmann et al. | Self-supervised answer retrieval on clinical notes | |
Park et al. | Mortality prediction of older adults admitted to the emergency department | |
Zeng et al. | GADGET: Using Gated GRU for Biomedical Event Trigger Detection | |
Begum et al. | Bioactivity Classification of SARS-CoV-2 Proteinase Using Machine Learning Approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |