iNature是中国最大的学术公众号，由清华大学，哈佛大学，中科院等多单位的博士团队联合打造，现推出iNature人才公众号，专注于人才招聘，学术进展，科研资讯，感兴趣的可以长按或者扫描下方的二维码关注我们。
专注于靶标蛋白的药物发现是一种成功的策略，但许多疾病和生物过程缺乏明显的目标来实现这种方法。
2021年6月17日，北京大学谢正伟，郑瑞茂，张宁及周虹共同通讯在Nature Biotechnology 在线发表题为“Prediction of drug efficacy from transcriptional profiles with deep learning”的研究论文，该研究为了克服这一挑战，描述了一种基于深度学习的功效预测系统 (DLEPS)，该系统使用疾病状态下基因表达谱的变化作为输入来识别候选药物。DLEPS 使用 L1000 项目中化学诱导的转录谱变化进行训练。
该研究发现以前未经检查的分子的转录谱的变化被预测为 Pearson 相关系数为 0.74。该研究检查了三种疾病，并通过实验测试了小鼠疾病模型中的候选药物。验证表明，紫苏、菊花皂苷 IV 和曲美替尼分别对肥胖、高尿酸血症和非酒精性脂肪性肝炎产生与疾病相关的影响。DLEPS 可以深入了解致病机制，该研究证明 MEK-ERK 信号通路是开发抗非酒精性脂肪性肝炎药物的靶标。总之，该研究结果表明，DLEPS 是药物再利用和发现的有效工具。
深度学习在不同领域（例如，自然语言处理、计算机视觉等）应用的最新进展表明，高级算法在评估化学物质在分子编码、化学合成路线和抑制剂靶标等应用中的潜力预测。结合在计算化学领域开发的资源，这些深度学习工具正在改变化学和药物研发的格局（例如，能够对广阔的化学空间进行快速采样，并允许研究人员对结构-功能关系进行准确预测）。在过去的几十年中，基于靶蛋白的药物开发是一种成功的方法，但这些方法无法解决缺乏明确定义的蛋白质靶点的疾病。开发治疗这些疾病的药物的一种策略是生成一个能够独立于特定目标预测疗效的模型。最近的一项研究显示了如何使用定制的深度学习模型发现一种用于治疗大肠杆菌感染的新抗生素候选物。然而，这种模型是根据具体情况建立的，并依赖于特定于单一疾病状态的表型数据；也就是说，它缺乏推广到其他疾病的能力。鉴于大多数疾病都与基因表达谱的特征变化有关，因此此类变化被用作反映疾病潜在机制的指标，这一假设体现在连接图 (CMap) 概念中。然而，CMap 仅适用于其转录谱已经通过实验评估的分子。研究人员设想一种能够预测无限数量小分子的转录谱 (CTP) 的化学诱导变化的模型，将更容易找到有效的药物来开发作为大多数疾病的治疗方法。首先，研究人员使用简化的分子输入线输入系统（SMILES）化学编码作为输入构建了一个神经网络，以拟合在 L1000 项目中测量的 CTP。其次，使用特定于病理背景的基因特征，研究人员采用基因集富集分析 (GSEA)来评估化合物对这些疾病的潜在功效，研究人员将这种方法和模型称为 DLEPS。该研究发现以前未经检查的分子的转录谱的变化被预测为 Pearson 相关系数为 0.74。该研究检查了三种疾病，并通过实验测试了小鼠疾病模型中的候选药物。验证表明，紫苏、菊花皂苷 IV 和曲美替尼分别对肥
胖、高尿酸血症和非酒精性脂肪性肝炎产生与疾病相关的影响。 DLEPS 可以深入了解致病机制，该研究证明 MEK-ERK 信号通路是开发抗非酒精性脂肪性肝炎药物的靶标。总之，该研究结果表明，DLEPS 是药物再利用和发现的有效工具。https://www.nature.com/articles/s41587-021-00946-z
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（iNature5），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
投稿、合作、转载授权事宜
请联系微信ID：18217322697 或邮箱：921253546@qq.com
觉得本文好看，请点这里！
