当前位置: X-MOL 学术Brief. Bioinform. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Drug-pathway association prediction: from experimental results to computational models.
Briefings in Bioinformatics ( IF 6.8 ) Pub Date : 2020-05-11 , DOI: 10.1093/bib/bbaa061
Chun-Chun Wang , Yan Zhao , Xing Chen

Effective drugs are urgently needed to overcome human complex diseases. However, the research and development of novel drug would take long time and cost much money. Traditional drug discovery follows the rule of one drug-one target, while some studies have demonstrated that drugs generally perform their task by affecting related pathway rather than targeting single target. Thus, the new strategy of drug discovery, namely pathway-based drug discovery, have been proposed. Obviously, identifying associations between drugs and pathways plays a key role in the development of pathway-based drug discovery. Revealing the drug-pathway associations by experiment methods would take much time and cost. Therefore, some computational models were established to predict potential drug-pathway associations. In this review, we first introduced the background of drug and the concept of drug-pathway associations. Then, some publicly accessible databases and web servers about drug-pathway associations were listed. Next, we summarized some state-of-the-art computational methods in the past years for inferring drug-pathway associations and divided these methods into three classes, namely Bayesian spare factor-based, matrix decomposition-based and other machine learning methods. In addition, we introduced several evaluation strategies to estimate the predictive performance of various computational models. In the end, we discussed the advantages and limitations of existing computational methods and provided some suggestions about the future directions of the data collection and the calculation models development.

中文翻译:

药物通路关联预测:从实验结果到计算模型。

迫切需要有效的药物来克服人类复杂的疾病。然而,新药的研发需要很长的时间,需要花费大量的资金。传统的药物发现遵循一个药物一靶点的规则,而一些研究表明,药物通常通过影响相关通路而不是针对单个靶点来完成其任务。因此,提出了新的药物发现策略,即基于途径的药物发现。显然,确定药物和通路之间的关联在基于通路的药物发现的发展中起着关键作用。通过实验方法揭示药物通路关联需要花费大量时间和成本。因此,建立了一些计算模型来预测潜在的药物途径关联。在这次审查中,我们首先介绍了药物的背景和药物通路关联的概念。然后,列出了一些关于药物通路关联的可公开访问的数据库和网络服务器。接下来,我们总结了过去几年用于推断药物通路关联的一些最先进的计算方法,并将这些方法分为三类,即基于贝叶斯备用因子、基于矩阵分解和其他机器学习方法。此外,我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并对数据收集和计算模型开发的未来方向提出了一些建议。列出了一些关于药物途径关联的可公开访问的数据库和网络服务器。接下来,我们总结了过去几年来推断药物通路关联的一些最先进的计算方法,并将这些方法分为三类,即基于贝叶斯备用因子、基于矩阵分解和其他机器学习方法。此外,我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并对数据收集和计算模型开发的未来方向提出了一些建议。列出了一些关于药物途径关联的可公开访问的数据库和网络服务器。接下来,我们总结了过去几年来推断药物通路关联的一些最先进的计算方法,并将这些方法分为三类,即基于贝叶斯备用因子、基于矩阵分解和其他机器学习方法。此外,我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并对数据收集和计算模型开发的未来方向提出了一些建议。我们总结了过去几年用于推断药物通路关联的一些最先进的计算方法,并将这些方法分为三类,即基于贝叶斯备用因子、基于矩阵分解和其他机器学习方法。此外,我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并对数据收集和计算模型开发的未来方向提出了一些建议。我们总结了过去几年用于推断药物通路关联的一些最先进的计算方法,并将这些方法分为三类,即基于贝叶斯备用因子、基于矩阵分解和其他机器学习方法。此外,我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并对数据收集和计算模型开发的未来方向提出了一些建议。我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并就数据收集和计算模型开发的未来方向提出了一些建议。我们引入了几种评估策略来估计各种计算模型的预测性能。最后,我们讨论了现有计算方法的优点和局限性,并对数据收集和计算模型开发的未来方向提出了一些建议。
更新日期:2020-05-11
down
wechat
bug