ChEMBL
PulseAugur coverage of ChEMBL — every cluster mentioning ChEMBL across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
MetaHeta框架改进药物发现中的生物活性预测
研究人员开发了MetaHeta，一个新颖的元学习框架，旨在改进药物发现早期阶段的生物活性预测。该框架专门解决了试验异质性带来的挑战，而这种异质性会阻碍标准元学习方法的有效性。MetaHeta通过条件化来自相关试验的辅助数据来预测，利用线性和精确注意力机制的组合来实现这一点。MetaHeta的有效性已在ChEMBL和BindingDB的数据集上得到证明，从而增强了少样本生物活性预测能力，并改善了化合物的优先级排序。
-
药物-靶点亲和力模型在评估变化下的性能各不相同
一项新的研究论文探讨了药物-靶点亲和力（DTA）模型的不同评估方法如何导致对模型性能的结论各不相同。研究发现，当模型在与其训练数据在特定方面（例如，新的化学系列或新的蛋白质靶点）不同的数据分布上进行测试时，感知到的最佳架构可能会发生显著变化。这凸显了将评估策略与DTA模型的预期实际应用相匹配的重要性。
-
研究发现，大型语言模型在注释生物测定元数据方面显示出潜力
一篇新发表在arXiv上的研究探讨了大型语言模型（LLMs）注释生物测定元数据的潜力，旨在提高分子属性预测的数据就绪度。研究人员量化了PubChem数据库中元数据覆盖率的显著差距，超过36%的测定缺少测定格式，近90%缺少生物测定类型。研究发现，开源和专有的LLMs在预测测定格式和检测方法方面都表现出高召回率，通常与现有标签一致，甚至促使专家策展人修改他们自己的注释。虽然LLMs在大型元数据策展和审计方面显示出潜力，但研究表明，在将这…
-
新研究探讨大型语言模型的效率、安全性和多语言能力
研究人员正在探索各种方法来提高大型语言模型（LLM）的效率和能力。Apple Inc. 发布了关于通过增强语言辨别能力来改进多语言语音模型的研究。其他研究则侧重于参数高效微调技术，如 DyPAM 和 GRADE；理解模型内部机制的方法，如 Massive Activation Gating Channel (MAGC) 和 COMPASS；以及高效推理策略，如 VALSE 和 Hybrid Latent Attention (HLA)…
-
AI 联合科学家工作流针对 EGFR 抑制剂耐药性
研究人员开发了一个 AI 联合科学家工作流，用于发现新的 EGFR 抑制剂，特别是针对导致现有疗法耐药性的 C797S 突变。该过程包括使用 ChEMBL 和 UniProt 来识别生物靶点和生物活性数据，然后使用 RDKit 进行分子标准化和特征计算。在此数据上训练随机森林模型以预测抑制剂效力，并使用 SHAP 进行特征解释。最后，工作流通过 BRICS 重组分子片段进入生成设计，以创建新的候选药物，然后根据 PubChem 进行评…
-
新的AI管道确保针对外部权威机构的事实准确性
开发了一个新的管道来解决AI提取器在受监管领域（尤其是在制药领域）的局限性。与通常侧重于将提取的事实与源文本进行匹配的系统不同，这种方法优先识别遗漏并确保针对外部权威机构的事实准确性。该系统使用一个名为Semantica的开源语义库，以及公共生物医学语料库和RxNorm、openFDA等权威机构来验证信息。该管道强调，语言模型在生成候选事实方面表现良好，但不应成为事实的最终仲裁者，尤其是在安全性和合规性至关重要的情况下。
-
研究发现遗传证据与药物批准率密切相关
一项对 26,278 个靶点-疾病对进行的新的观察性分析发现，与没有遗传关联的药物靶点相比，具有遗传关联的药物靶点的批准率显著更高。该研究利用了 Open Targets 和 ChEMBL 的数据，表明遗传相关靶点的批准率高出 3.25 倍。虽然文献挖掘占了分类器性能的大部分，这可能表明存在来自批准后出版物的潜在时间泄露，但其他证据类型仍然保留了基线信号。该研究还确定了 1,433 个遗传支持的 Phase 1/2 对，可作为生成假设…
-
GraphDETR 框架将子图检测视为集合预测问题
研究人员开发了 GraphDETR，一个用于端到端子图检测的新型深度学习框架。该方法将子图检测视为一个集合预测问题，类似于图像中的目标检测，使用 Transformer 解码器一次性识别模式出现。GraphDETR 可以检测大型图中的各种模式，包括分子结构和团，并且还可以扩展到近似匹配，这是传统组合方法无法实现的。
-
研究发现GNN在预测药物毒性方面存在不足
一篇新发表在arXiv上的研究探讨了图神经网络（GNNs）在预测药物毒性方面的局限性，特别是针对乙酰水杨酸（阿司匹林）。研究发现，仅凭分子结构只能解释阿司匹林已知不良反应的大约45%。为解决此问题，该研究引入了一个四类可解释性差距分类法，强调了不可编码效应、数据缺失、检测方法不匹配和表示错误等问题。这些发现对药物安全监测和监管实践具有重要意义。
-
机器学习模型预测天然化合物中的阿尔茨海默病候选药物
研究人员开发了一种机器学习方法，用于从天然化合物中识别阿尔茨海默病潜在疗法。该研究利用化学信息学提取分子描述符，并训练了包括随机森林、XGBoost和支持向量机在内的各种分类模型。随机森林模型表现出最高的预测准确性，突显了亲脂性和分子量等理化性质在神经保护活性中的重要性。这种集成方法通过高效筛选大型数据集，有望加速神经退行性疾病的早期药物发现。