CN112800283B - 一种基于药代动力学的医学数据库的建立方法 - Google Patents

一种基于药代动力学的医学数据库的建立方法 Download PDF

Info

Publication number
CN112800283B
CN112800283B CN202110129078.3A CN202110129078A CN112800283B CN 112800283 B CN112800283 B CN 112800283B CN 202110129078 A CN202110129078 A CN 202110129078A CN 112800283 B CN112800283 B CN 112800283B
Authority
CN
China
Prior art keywords
disease
drug
data
pharmacokinetic
diseases
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.)
Active
Application number
CN202110129078.3A
Other languages
English (en)
Other versions
CN112800283A (zh
Inventor
鲁荣
蒋大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Hengzhen Weishi Medical Technology Co ltd
Original Assignee
Chongqing Hengzhen Weishi Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Hengzhen Weishi Medical Technology Co ltd filed Critical Chongqing Hengzhen Weishi Medical Technology Co ltd
Priority to CN202110129078.3A priority Critical patent/CN112800283B/zh
Publication of CN112800283A publication Critical patent/CN112800283A/zh
Application granted granted Critical
Publication of CN112800283B publication Critical patent/CN112800283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明涉及医学数据库建立领域，特别涉及一种基于药代动力学的医学数据库的建立方法；包括以下步骤：S1：获取多种药物相关的初始数据；S2：对每种初始数据进行标准化处理，获得多种目标药物数据信息；S3：根据每种目标药物数据信息，确定每种目标药物数据信息对应的疾病种类以及疾病种类之间的层级关系及其他关联关系；S4：基于每种疾病种类以及疾病种类之间的层级关系，构建每种疾病诊疗层级树；S5：根据每种疾病诊疗层级树，建立药物的医学数据库。本发明通过获取权威资料来源的多种药物相关的初始数据，为药物的医学数据库领域无论是临床应用、临床前应用、科学研究或是普通大众的信息获取提供坚实的基础。

Description

一种基于药代动力学的医学数据库的建立方法
技术领域
本发明涉及医学数据库建立领域，特别涉及一种基于药代动力学的医学数据库的建立方法。
背景技术
随着信息科技的高速发展，作为当今世界三大尖端技术之一的人工智能(Artificial intelligence，AI)自1956年提出以来，已获得广泛的传播和发展，并渗透于各行各业之中。2018年4月，我国教育部更是积极部署行动计划促进AI的多学科交叉融合，并计划至2020年，实现AI总体技术和应用与世界先进水平持平。AI是以人类智能的相关理论为基础，运用大数据和机器学习等方法，模拟和延伸人类智能的理论、方法、技术及应用系统的一门边缘学科；其分支领域还包括数据库、数据挖掘、统计学、知识发现、模式识别、神经网络等，目前已被广泛应用于语言识别、智能终端、移动商务、医疗健康等诸多领域。其中，医疗健康领域目前存在优质资源不足、医疗成本高、医生培养和药品研发周期长等现实问题，因此AI技术在该领域尤其展现出巨大潜力和可观前景，世界范围各大科技巨头如谷歌、IBM等都争相布局AI医疗市场。
在21世纪的今天，原本应该处于科学前沿的制药行业却并没有产生太多耀眼的火花。据统计，药物研究是全球商业链中效率最为低下的一节，基本上，百分之九十六的药物生产都会宣告失败。通常情况下，药物最终是否能被社会接受三大因素影响：一、药物效力是否显著；二、药物是否存在较大副作用或产生一定的毒性；三、药物生产模式是否与市场经济相吻合。为了尽可能大的降低药物临床开发的淘汰率，必须尽早探索出药物的活性及其内在的组成结构等有价值的信息。因此，在推进药物设计与研发过程中，通过相关预测的方式来探究药物的活性具有重大的意义。
对药物进行活性测定主要是检测药物对机体的生物学效应，早期的活性测定主要依赖于动物实验，动物模型是最能够真实有效反映药物临床药理效用的方式。在大多传统的化合物活性研究中，通过动物活体测验和检测方式对化合物的药物活性进行测定，在海量化合物数据环境下无疑要耗费大量时间及成本。而现代化合物活性研究对未知化合物的活性预测是通过使用数学方法建立定量构效关系模型来实现的。为此，提出一种基于药代动力学的医学数据库的建立方法。
发明内容
本发明的目的在于提供一种基于药代动力学的医学数据库的建立方法，获取权威资料来源的多种药物相关的初始数据，构建每种疾病诊疗层级树，包含每种目标药物数据信息对应的疾病种类以及疾病种类之间的层级关系及其他关联关系；为数据的检索和信息的探索提供了强有力的支撑。
为了实现上述目的，本发明的技术方案如下：
一种基于药代动力学的医学数据库的建立方法，包括以下步骤：
S1：获取多种药物相关的初始数据；
S2：对每种初始数据进行标准化处理，获得多种目标药物数据信息；
S3：根据每种目标药物数据信息，确定每种目标药物数据信息对应的疾病种类以及疾病种类之间的层级关系及其他关联关系；
S4：基于每种疾病种类以及疾病种类之间的层级关系，构建每种疾病诊疗层级树；
S5：根据每种疾病诊疗层级树，建立药物的医学数据库。
具体的，获取所述每种药物相关的初始数据包括药物、该药物的合成方法、该药物的药理、该药物的毒理实验数据、该药物的动物药动学实验数据、该药物的临床实验数据、对应的靶点、对应的靶点通路图和疾病描述。
具体的，获取所述的动物药动学实验数据和临床实验数据均采用DAS2.1药物动力学软件进行计算处理，获得药动学参数数据。
具体的，所述每种药物相关的初始数据的获取来源包括中华人民共和国药典、美国医师案头参考、英国药典BP、英国副药典BPC、Pharmacopoeia、英国国家处方集BNF和澳大利亚药物处方集APF。
具体的，所述S2步骤中标准化处理的过程包括：
(1)针对不同数据源获得的每种药物相关的初始数据，进行清洗去除不能用的数据以及缺少的字段，得到清洗数据；
(2)基于自然语言处理NLP中的N-Gram模型对清洗数据进行深度自然语义分析处理，得到多种目标药物数据信息。
具体的，所述S3步骤中疾病种类按照疾病发生区域进行划分，所述疾病种类包括消化系统疾病、泌尿系统疾病、内分泌系统疾病、呼吸系统疾病和循环系统疾病；所述疾病种类之间的层级关系为同属于一类疾病种类的上下级关系；所述其他关联关系包括不同种类疾病种类之间的关系以及不同药物之间的作用关系。
具体的，所述S4步骤中构建每种疾病诊疗层级树的步骤包括：确定疾病种类为层级树的根节点，随后根据疾病种类之间的层级关系，依次从下往上添加中间节点，再根据其他关联关系，在中间节点上添加终节点。
本发明的有益效果为：
(1)本发明通过中华人民共和国药典、美国医师案头参考、英国药典BP、英国副药典BPC、Pharmacopoeia、英国国家处方集BNF和澳大利亚药物处方集APF等权威资料来源获取多种药物相关的初始数据，同时收集了药物对应的疾病种类，例如消化系统疾病、泌尿系统疾病、内分泌系统疾病、呼吸系统疾病和循环系统疾病，为药物的医学数据库领域无论是临床应用、临床前应用、科学研究或是普通大众的信息获取提供坚实的基础；
(2)本发明通过对获取动物药动学实验数据和临床实验数据均采用DAS2.1药物动力学软件进行计算处理，获得药动学参数数据以及动力学特征，进而获得评价该药物的特性和质量的依据；
(3)本发明通过构建每种疾病诊疗层级树，包含每种目标药物数据信息对应的疾病种类以及疾病种类之间的层级关系及其他关联关系；为数据的检索和信息的探索提供了强有力的支撑。
附图说明
图1为本发明实施例所提供的一种基于药代动力学的医学数据库建立方法的流程图。
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，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
参考附图1，一种基于药代动力学的医学数据库的建立方法，包括以下步骤：
S1：获取多种药物相关的初始数据；
进一步的，本发明涉及的获取所述每种药物相关的初始数据包括药物、该药物的合成方法、该药物的药理、该毒理实验数据、该药物的动物药动学实验数据、该药物的临床实验数据、对应的靶点、对应的靶点通路图和疾病描述；其中，获取所述每种药物相关的初始数据还包括生产该药物的公司、基因序列、该药物的相关专利以及文献。
具体的，获取所述的动物药动学实验数据和临床实验数据均采用DAS2.1药物动力学软件进行计算处理，获得药动学参数数据，包括但不限于药物吸收、分布、代谢、排泄等过程的动力学特征。
具体的，所述每种药物相关的初始数据的获取来源包括中华人民共和国药典、美国医师案头参考、英国药典BP、英国副药典BPC、Pharmacopoeia、英国国家处方集BNF和澳大利亚药物处方集APF；另外，每种药物相关的初始数据的获取来源还包括期刊国内医药卫生期刊(包括内部交流的刊物)；国内外与医院药学有关的期刊；教科书、科普读物、手册、年鉴和指南等工具书，各种官方文件及其汇编等。
S2：对每种初始数据进行标准化处理，获得多种目标药物数据信息；
具体的，所述S2步骤中标准化处理的过程包括：
(1)针对不同数据源获得的每种药物相关的初始数据，进行清洗去除不能用的数据以及缺少的字段，得到清洗数据；
(2)基于自然语言处理NLP中的N-Gram模型对清洗数据进行深度自然语义分析处理，得到多种目标药物数据信息。
S3：根据每种目标药物数据信息，确定每种目标药物数据信息对应的疾病种类以及疾病种类之间的层级关系及其他关联关系；
具体的，所述S3步骤中疾病种类按照疾病发生区域进行划分，所述疾病种类包括消化系统疾病、泌尿系统疾病、内分泌系统疾病、呼吸系统疾病和循环系统疾病。
进一步的，所述疾病种类之间的层级关系为同属于一类疾病种类的上下级关系；本发明涉及的消化系统疾病的层级关系中下级对象包括口腔疾病、咽疾病、食管疾病、胃疾病、小肠疾病、大肠疾病、直肠疾病、肛门疾病、胰腺疾病、肝脏疾病和胆囊疾病；泌尿系统疾病的层级关系中下级对象包括肾脏疾病、输尿管疾病、膀胱疾病和尿道疾病；内分泌系统疾病的层级关系中下级对象包括甲状腺疾病、甲状旁腺疾病、脑垂体疾病、胰岛疾病、肾上腺疾病、胸腺疾病、性腺疾病和弥散神经疾病；呼吸系统疾病的层级关系中下级对象包括鼻疾病、咽疾病、喉疾病、气管疾病、支气管疾病、肺疾病和胸膜疾病；循环系统疾病的层级关系中下级对象包括心血管系统疾病和淋巴系统疾病。
进一步的，所述其他关联关系包括不同种类疾病种类之间的关系以及不同药物之间的作用关系。
在本实施例中，各实体之间的关联关系设计如下：
(1)药物与疾病种类的关联关系：medicine，may_treat，Disease Kinds，即该药物能治疗或有希望治疗该种疾病；
(2)疾病种类与疾病种类的关联关系：Disease Kinds，may_interact(the latteris caused by the former；the occurrence of the latter diseases is not due tothe fault of medical staff；the occurrence of the latter disease is sudden)，Disease Kinds，即疾病种类与疾病种类之间可能存在层级关系，疾病种类与疾病种类之间可能存在相互作用(后—种疾病的发生是由前一种疾病所引起的；从后—种疾病的发生规律上看，前后疾病之间不具有必然的因果关系，只具有偶然的因果关系，即后种疾病的出现属突发性的；后种疾病的出现非因医务人员的过失所致)；
(3)药物与药物的关联关系：medicine，may_interact(efficacy；toxicity；influence adme)，medicine，即药物与药物之间可能存在层级关系，药物与药物可能在一些治疗方案中被联合使用，或者，药物与药物之间相互影响药效、毒性以及药代动力学特性。
S4：基于每种疾病种类以及疾病种类之间的层级关系，构建每种疾病诊疗层级树；
具体的，所述S4步骤中构建每种疾病诊疗层级树的步骤包括：确定疾病种类为层级树的根节点，随后根据疾病种类之间的层级关系，依次从下往上添加中间节点，再根据其他关联关系，在中间节点上添加终节点。
S5：根据每种疾病诊疗层级树，建立药物的医学数据库。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于药代动力学的医学数据库的建立方法，其特征在于，包括以下步骤：
S1：获取多种药物相关的初始数据；
S2：对每种初始数据进行标准化处理，获得多种目标药物数据信息；
S3：根据每种目标药物数据信息，确定每种目标药物数据信息对应的疾病种类以及疾病种类之间的层级关系及其他关联关系；
S4：基于每种疾病种类以及疾病种类之间的层级关系，构建每种疾病诊疗层级树；
S5：根据每种疾病诊疗层级树，建立药物的医学数据库；
获取所述 每种药物相关的初始数据包括药物、该药物的合成方法、该药物的药理、该药物的毒理实验数据、该药物的动物药动学实验数据、该药物的临床实验数据、对应的靶点、对应的靶点通路图和疾病描述；
获取所述的动物药动学实验数据和临床实验数据均采用DAS2.1药物动力学软件进行计算处理，获得药动学参数数据。
2.根据权利要求1所述的一种基于药代动力学的医学数据库的建立方法，其特征在于，所述每种药物相关的初始数据的获取来源包括中华人民共和国药典、美国医师案头参考、英国药典BP、英国副药典BPC、Pharmacopoeia、英国国家处方集BNF和澳大利亚药物处方集APF。
3.根据权利要求2所述的一种基于药代动力学的医学数据库的建立方法，其特征在于，所述S2步骤中标准化处理的过程包括：
(1)针对不同数据源获得的每种药物相关的初始数据，进行清洗去除不能用的数据以及缺少的字段，得到清洗数据；
(2)基于自然语言处理NLP中的N-Gram模型对清洗数据进行深度自然语义分析处理，得到多种目标药物数据信息。
4.根据权利要求1所述的一种基于药代动力学的医学数据库的建立方法，其特征在于，所述S3步骤中疾病种类按照疾病发生区域进行划分，所述疾病种类包括消化系统疾病、泌尿系统疾病、内分泌系统疾病、呼吸系统疾病和循环系统疾病；所述疾病种类之间的层级关系为同属于一类疾病种类的上下级关系；所述其他关联关系包括不同种类疾病种类之间的关系以及不同药物之间的作用关系。
5.根据权利要求1所述的一种基于药代动力学的医学数据库的建立方法，其特征在于，所述S4步骤中构建每种疾病诊疗层级树的步骤包括：确定疾病种类为层级树的根节点，随后根据疾病种类之间的层级关系，依次从下往上添加中间节点，再根据其他关联关系，在中间节点上添加终节点。
CN202110129078.3A 2021-01-29 2021-01-29 一种基于药代动力学的医学数据库的建立方法 Active CN112800283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110129078.3A CN112800283B (zh) 2021-01-29 2021-01-29 一种基于药代动力学的医学数据库的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110129078.3A CN112800283B (zh) 2021-01-29 2021-01-29 一种基于药代动力学的医学数据库的建立方法

Publications (2)

Publication Number Publication Date
CN112800283A CN112800283A (zh) 2021-05-14
CN112800283B true CN112800283B (zh) 2023-03-14

Family

ID=75813002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110129078.3A Active CN112800283B (zh) 2021-01-29 2021-01-29 一种基于药代动力学的医学数据库的建立方法

Country Status (1)

Country Link
CN (1) CN112800283B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201142758A (en) * 2010-05-27 2011-12-01 Nat Univ Tsing Hua Method of three-dimensional image data processing
CN102332058A (zh) * 2011-10-18 2012-01-25 浙江大学 一种葡萄藤式医学知识构建方法和系统
CN105023229A (zh) * 2015-07-21 2015-11-04 南车青岛四方机车车辆股份有限公司 一种高速列车技术指标的处理方法和装置
CN106156482A (zh) * 2016-01-18 2016-11-23 袁洪 基于文献数据的药物推荐方法、装置及服务器
CN107357924A (zh) * 2017-07-25 2017-11-17 为朔医学数据科技（北京）有限公司 一种精准医学知识图谱构建方法和装置
CN108132957A (zh) * 2016-12-01 2018-06-08 中国移动通信有限公司研究院 一种数据库处理方法及装置
CN108710625A (zh) * 2018-03-16 2018-10-26 电子科技大学成都研究院 一种专题知识自动挖掘系统及方法
CN109448841A (zh) * 2018-11-09 2019-03-08 天津开心生活科技有限公司 建立数据模型方法及装置、临床辅助决策方法及装置
CN109766337A (zh) * 2018-11-28 2019-05-17 杭州云为科技有限公司 树形结构数据的存储方法、电子设备、存储介质及系统
CN109783583A (zh) * 2018-12-13 2019-05-21 平安医疗健康管理股份有限公司 一种医保对象分类方法和装置
CN110651332A (zh) * 2017-06-01 2020-01-03 国际商业机器公司 生成医疗记录问题列表
CN112214498A (zh) * 2020-11-03 2021-01-12 中国航空工业集团公司西安航空计算技术研究所 一种生成机载维护配置数据库的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7650327B2 (en) * 2002-03-01 2010-01-19 Marine Biological Laboratory Managing taxonomic information
US7239311B2 (en) * 2002-09-26 2007-07-03 The United States Government As Represented By The Secretary Of The Navy Global visualization process (GVP) and system for implementing a GVP
US20140303901A1 (en) * 2013-04-08 2014-10-09 Ilan Sadeh Method and system for predicting a disease
CN104281617A (zh) * 2013-07-10 2015-01-14 广州中国科学院先进技术研究所 一种基于领域知识的多层关联规则挖掘方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201142758A (en) * 2010-05-27 2011-12-01 Nat Univ Tsing Hua Method of three-dimensional image data processing
CN102332058A (zh) * 2011-10-18 2012-01-25 浙江大学 一种葡萄藤式医学知识构建方法和系统
CN105023229A (zh) * 2015-07-21 2015-11-04 南车青岛四方机车车辆股份有限公司 一种高速列车技术指标的处理方法和装置
CN106156482A (zh) * 2016-01-18 2016-11-23 袁洪 基于文献数据的药物推荐方法、装置及服务器
CN108132957A (zh) * 2016-12-01 2018-06-08 中国移动通信有限公司研究院 一种数据库处理方法及装置
CN110651332A (zh) * 2017-06-01 2020-01-03 国际商业机器公司 生成医疗记录问题列表
CN107357924A (zh) * 2017-07-25 2017-11-17 为朔医学数据科技（北京）有限公司 一种精准医学知识图谱构建方法和装置
CN108710625A (zh) * 2018-03-16 2018-10-26 电子科技大学成都研究院 一种专题知识自动挖掘系统及方法
CN109448841A (zh) * 2018-11-09 2019-03-08 天津开心生活科技有限公司 建立数据模型方法及装置、临床辅助决策方法及装置
CN109766337A (zh) * 2018-11-28 2019-05-17 杭州云为科技有限公司 树形结构数据的存储方法、电子设备、存储介质及系统
CN109783583A (zh) * 2018-12-13 2019-05-21 平安医疗健康管理股份有限公司 一种医保对象分类方法和装置
CN112214498A (zh) * 2020-11-03 2021-01-12 中国航空工业集团公司西安航空计算技术研究所 一种生成机载维护配置数据库的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Big data analytics for preventive medicine;Muhammad Imran Razzak等;《Neural Computing and Applications》;20190316;第4417-4451页 *
OA医学资源数据库建设;贾佃丽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091215(第12期);第I138-501页 *

Also Published As

Publication number Publication date
CN112800283A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
Marrero-Ponce et al. Predicting antitrichomonal activity: a computational screening using atom-based bilinear indices and experimental proofs
US20030204320A1 (en) Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including susceptibility to disease
CN108694991B (zh) 一种基于多个转录组数据集整合与药物靶标信息的重定位药物发现方法
CN107403069A (zh) 一种药物‑疾病关联关系分析系统及方法
WO2012098515A1 (en) Method for processing genomic data
US20160203256A1 (en) Inter-class molecular association connectivity mapping
Faghri et al. Identifying and predicting amyotrophic lateral sclerosis clinical subgroups: a population-based machine-learning study
Duran-Frigola et al. A chemo-centric view of human health and disease
Ahmed et al. Drug repurposing in psoriasis, performed by reversal of disease-associated gene expression profiles
Yang et al. DNetDB: The human disease network database based on dysfunctional regulation mechanism
Saligan Collaborative framework to advance symptom science: an intramural perspective
Wang et al. Advancing oral delivery of biologics: Machine learning predicts peptide stability in the gastrointestinal tract
Schultz et al. Application and assessment of deep learning for the generation of potential NMDA receptor antagonists
CN112800283B (zh) 一种基于药代动力学的医学数据库的建立方法
Chai et al. Predicting bladder cancer prognosis by integrating multi-omics data through a transfer learning-based Cox proportional hazards network
CN114255877A (zh) 靶点信息挖掘和检索方法、装置、电子设备和存储介质
CN111402948A (zh) 基于人工智能和动物实验数据集的药物代谢动力预测模型
Jiang et al. MiRKAT-MC: a distance-based microbiome kernel association test with multi-categorical outcomes
CN113506592A (zh) 一种治疗慢性支气管炎中药的机理分析方法
Balhoff et al. Tailoring the NCI Thesaurus for Use in The OBO Library.
CN111785319A (zh) 基于差异表达数据的药物重定位方法
Ulfa et al. Model QSAR Classification Using Conv1D-LSTM of Dipeptidyl Peptidase-4 Inhibitors
Girdhar et al. Acetylated chromatin domains link chromosomal organization to cell-and circuit-level dysfunction in schizophrenia and bipolar disorder
Yu et al. mtADENet: A novel interpretable method integrating multiple types of network-based inference approaches for prediction of adverse drug events
Mogan Biomarker Discovery by Semi-Supervised Non-Negative Matrix Factorization

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
GR01 Patent grant
GR01 Patent grant