开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

入口与服务之间的相互作用

是指在云计算环境中，用户通过入口与云服务进行交互和通信的过程。入口是指用户接入云计算平台的方式，可以是通过网页、移动应用、API等形式进行访问。服务则是指云计算平台提供的各种功能和资源，包括计算、存储、网络、数据库、安全等服务。

相互作用主要体现在以下几个方面：

用户认证与授权：用户通过入口进行登录认证，验证身份后才能使用云服务。云计算平台会对用户进行授权，控制其对不同服务的访问权限。
服务发现与选择：用户通过入口可以浏览和搜索云计算平台提供的各种服务。根据自身需求，用户可以选择适合的服务进行使用。
服务调用与数据传输：用户通过入口与云服务进行交互，调用相应的接口或功能。在调用过程中，可能涉及到数据的传输，包括上传、下载、存储等操作。
监控与管理：云计算平台可以通过入口提供监控和管理功能，用户可以查看自己使用的服务的状态、性能指标等信息，并进行相应的管理操作。
故障处理与支持：如果在使用过程中遇到故障或问题，用户可以通过入口向云计算平台寻求支持和解决方案。

入口与服务之间的相互作用对于用户来说非常重要，它决定了用户能否顺利地使用云计算平台提供的各种功能和资源。同时，云计算平台也需要提供稳定、安全、高效的入口，以确保用户能够方便地接入和使用云服务。

腾讯云相关产品和产品介绍链接地址：

腾讯云入口：https://cloud.tencent.com/
腾讯云认证与授权服务：https://cloud.tencent.com/product/cam
腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
腾讯云安全产品：https://cloud.tencent.com/product/security
腾讯云监控与管理服务：https://cloud.tencent.com/product/monitor
腾讯云技术支持：https://cloud.tencent.com/support

相关搜索:中子与视界之间的OpenStack相互作用电子与角JS的相互作用 DDD建模,聚合根之间的相互作用 GAM (mgcv)中类别项之间的相互作用根上的入口与路径上的入口冲突以太与外部c++文库的相互作用强度腾讯云的学生服务器入口与一组变量与另一组变量之间双向相互作用的模型公式如何获取geom中的点与入口点经度和纬度之间的距离两个相互作用的粒子之间的距离小于截止距离。如何将盖尔饱和过程拟合到标记之间的相互作用？计算两个入口之间的流逝时间 Javascript与服务器之间的通信 WPF与托管WCF服务之间的通信 PGLS与caper中的相互作用项：“系统在计算上是奇异的”fragment与服务器之间的通信问题 Sharepoint服务器与Access之间的连接 Ethereum API与Ethereum即服务之间的差异云服务器与服务器之间的关系云服务器与服务器之间的连接

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

利用人工智能众包数据，加速药物发现

导读：新的加密系统可以让制药公司和学术实验室共同合作，更快地开发新的药物,而不会向竞争对手透露任何机密数据。

06

GEPI | 一种用于从科学生物医学文献中大规模挖掘分子相互作用的新型Web工具

文献：Erik Faessler and others, GEPI: large-scale text mining, customized retrieval and flexible filtering of gene/protein interactions, Nucleic Acids Research, 2023;, gkad445, https://doi.org/10.1093/nar/gkad445

04

图表示学习技术在药物推荐系统中的应用

本文约6500字，建议阅读13分钟本次分享的题目是图表示学习技术在药物推荐系统中的应用。主要包括以下四个部分：研究背景与挑战判别式药品包推荐生成式药品包推荐总结与展望 01、研究背景与挑战 1. 研究背景医疗资源总体不足，分布不均带来沉重压力药物推荐是智慧医疗的一个子问题，首先从智慧医疗的大背景说起，在我国智慧医疗存在紧迫性，随着人口增长、老龄化加剧，人们对于高质量医疗服务的需求不断攀升。图中两组数据，一是全国医疗机构的就诊人数在 60.5 亿人次，同比增长 22.4%；二是柳叶刀上关于

05

最新AlphaFold 3：预测所有生物分子结构、相互作用

最近总是看到AlphaFold 3又在Nature发表的新闻，我便想亲自体验一下AlphaFold 3的强度之处

01

circRNA相互作用预测数据库

在前两天介绍circBase的时候，我们统计了一下目前circRNA方面相关的数据库。使用最多的前10的数据库的时候。除了circBase之外还有很多是用来预测circRNA功能的数据库。所以今天。我们就来介绍一下这几个相关的数据库吧。

02

王炸组合『单细胞+空间转录组』的科研应用【2】：肝脏生理学/疾病

最近的技术进步使得在单个细胞中进行全基因组RNA分析成为可能，这种技术被称为单细胞转录组测序（scRNA-seq）。肝脏组织的scRNA-seq主要包括肝脏组织被解离，单细胞被捕获，RNA测序等工作流程。

02

BIB｜通过深度多任务学习准确预测RNA、DNA 和蛋白质结合的内在无序残基

2021年12月15日，Briefings in Bioinformatics杂志发表文章，介绍了一种用深度多任务学习预测 RNA、DNA 和蛋白质结合的内在无序残基的方法。

02

Research | 基于结构的深度图学习网络实现共价可靶半胱氨酸的预测

本文介绍由浙江大学智能创新药物研究院侯廷军教授/潘培辰研究员团队和中南大学曹东升团队联合在综合期刊Research上发表的一篇文章。该文章提出一种新型的基于图表示的深度学习方法DeepCoSI用于共价药物结合位点（半胱氨酸）的预测。DeepCoSI网络由两个模块构成，分别是PocketGNNLayer和CysInteractLayer，前者用于对半胱氨酸所在口袋的环境进行表征，后者用于表征半胱氨酸与周围原子之间的非键相互作用，二者结合实现了半胱氨酸共价可靶性的预测。作者在两个外部测试集上验证了该模型区分共价可靶半胱氨酸与其他半胱氨酸的能力，均表现出较好的预测效果。

03

Science: 细菌种间很少合作

Link: https://www.science.org/doi/10.1126/science.abn5093

03

STRING:蛋白质相互作用(PPI网络)数据库简介

研究蛋白之间的相互作用网络，有助于挖掘核心的调控基因，目前已经有很多的蛋白质相互作用的数据库，而string绝对是其中覆盖的物种最多，相互作用信息做大的一个，网址如下

04

Fac Rev：多物种相互作用的研究进展

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7886066/

04

发表在nature protocol上的相互作用数据库是什么样子的(一)

对于相互作用分析，之前我们介绍过BioGRID以及STRING数据库。这两个数据库主要还是用来分析基因与基因之间的相互作用。我们知道相互作用分析，除了基因和基因之间的相互作用其实还存在比如：基因调控的相互作用、药物和靶标的相互作用等等。所以今天就介绍一个综合性的相互作用查询数据库：ConsensusPathDB(http://cpdb.molgen.mpg.de/)

04

王炸组合『单细胞+空间转录组』的科研应用【2】：肝脏生理学/疾病

最近的技术进步使得在单个细胞中进行全基因组RNA分析成为可能，这种技术被称为单细胞转录组测序（scRNA-seq）。肝脏组织的scRNA-seq主要包括肝脏组织被解离，单细胞被捕获，RNA测序等工作流程。

03

阿斯利康团队用具有域适应性的可解释双线性注意网络改进了药物靶标预测

编辑 | 萝卜皮预测药物-靶标相互作用是药物发现的关键。近期，虽然基于深度学习的方法显示出强有力的性能，但是仍然存在两个挑战：如何明确地建模和学习药物和目标之间的局部相互作用以更好地预测和解释，以及如何优化新药物-目标对预测的泛化性能。英国谢菲尔德大学（The University of Sheffield）和阿斯利康的研究人员合作开发了 DrugBAN，这是一个深度双线性注意网络（BAN）框架，具有域适应性，可以显式学习药物和目标之间的成对局部相互作用，并适应分布外的数据。 DrugBAN 对药物分

04

DDinter | 药物相互作用分析数据库

在临床上，我们经常会使用不同的药物来进行治疗的情况。对于每一个药物而言都有自己的作用机制。如果多个药物同时使用的话就会造成不同的不良反应。所以了解不同药物之间的不良反应关系是十分的重要的。今天就给大家介绍一个分析药物不良反应的数据库：DDinter: http://ddinter.scbdd.com/

02

PLoS Comput Biol｜生物医学网络中药物多任务预测的通用超图学习算法

2023年11月13日，厦门大学刘向荣教授团队，联合湖南大学曾湘祥教授、山东大学魏乐义教授，在PLoS Computational Biology上发表文章A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks。

01

Nat. Mach. Intell. | 利用图网络发现蛋白质与配体相互作用关键点

今天为大家介绍的是来自Jürgen Bajorath团队的一篇论文。图神经网络（GNNs）通过分析蛋白质与配体相互作用的图表示结构来预测配体的亲和力。虽然有一些研究表明GNNs能够详细了解蛋白质与配体的相互作用，但这种预测方法也存在争议。比如，有证据显示GNNs可能并不是真正学习蛋白质与配体的相互作用，而是仅仅记住了训练数据中的配体和蛋白质信息。为此作者对六种不同的GNN架构进行了亲和力预测实验，并使用可解释的人工智能技术对结果进行了分析。

01

基于计算学方法的蛋白质相互作用预测综述

今天给大家介绍来自中科院的胡伦和IBM的胡鹏伟等人在Briefings in Bioinformatics上发表的文章“A survey on computational models for predicting protein-protein interactions”。预测蛋白质之间的相互作用（PPI）对研究生物体内的各种细胞学机制至关重要，计算学方法能够有效改善传统生物学方法预测PPI时耗时耗力，且预测结果不可靠的问题。在本文中，我们描述了PPI预测所需的各种蛋白质相关数据库，介绍了现有的各种计算学模型的优缺点，然后描述了常用的实验方案和模型性能评价指标，并介绍了几种在线预测工具，最后阐明了预测PPI的未来发展方向。

02

JCIM | 基于图神经网络的深度学习预测溶剂化自由能

溶剂化自由能是影响各种化学和生物学过程的基本属性，例如反应速率、蛋白质折叠、药物结合和药物的生物利用度等等。本工作中，作者提出了一种基于图网络的深度学习方法，可以准确地预测有机小分子的溶剂化自由能。所提出的深度学习模型包括三个阶段，即信息传递、相互作用和预测，能够预测任何通用有机溶剂中的溶剂化自由能，平均绝对误差为0.16 kcal/mol。在准确性方面，当前模型目前优于所有此前提出的基于机器学习的其他模型。此外，作者对基于机器学习的模型的鲁棒性进行了全面测试，并通过几个示例验证了其解释预测的能力。

02

J. Chem. Inf. Model. | 基于序列和基于结构的蛋白质-配体相互作用机器学习方法

开发新药既昂贵又耗时。准确预测药物和靶标之间的相互作用可能会改变药物的发现方式。基于机器学习的蛋白质-配体相互作用预测已经显示出巨大的潜力。本文重点对基于序列和基于结构的蛋白质-配体相互作用机器学习方法进行了总结。因此，本文首先概述了该领域应用的数据集，以及用于表示蛋白质和配体的各种方法。然后，利用基于序列和基于结构的分类标准对经典机器学习模型和深度学习模型进行分类和总结，用于蛋白质-配体相互作用的研究。此外，还提出了这些模型的评价方法和可解释性。此外，深入探讨了蛋白质-配体相互作用模型在药物研究中的各种应用。最后，讨论了该领域目前面临的挑战和未来的发展方向。

01

Arxiv | 预测新型蛋白质间相互作用的图神经网络模型

今天带来的是商汤科技（SenseTime）研究小组发表在arxiv上的Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction。现有蛋白质-蛋白质相互作用（protein-protein interaction, PPI）预测方法在未知数据集（指的是经常出现在训练集中未看到相互作用的蛋白质的数据集）上进行测试时会出现显着的性能下降。本文从两方面新型蛋白质之间的相互作用的评估框架和基于图形神经网络的方法来解决预测未知蛋白的相互作用。

02

基于可解释的异质相互作用图神经网络的蛋白质-配体亲和力预测

今天为大家介绍的是来自北京大学信息工程学院、AI4S平台中心主任陈语谦教授团队发表在人工智能旗舰期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（IF=23.6）的论文，博士生杨梓铎为第一作者。该论文从归纳偏好的角度探讨了深度学习模型在蛋白质-配体亲和力（Protein-Ligand Binding Affinity, PLA）预测任务中的泛化能力和可解释性。归纳偏好是指在深度学习模型中为了更好地进行学习和泛化而引入的假设或偏好。归纳偏好通过限制模型的假设空间，使其在有限的数据上更容易找到合适的模式，从而提高模型的泛化性能。模型的泛化能力及可解释性，往往取决于所使用的归纳偏好在多大程度上能够准确描述待解决的任务。因此，在PLA预测任务中，所采用的归纳偏好应符合物理化学规则，以更好地描述蛋白质-配体间的相互作用，从而提高模型的泛化能力和可解释性。

01

NeurIPS 2021 | 通过动态图评分匹配预测分子构象

从 2D 分子图中预测稳定的 3D 构象一直是计算化学中的一个长期挑战。而最近，机器学习方法取得了相比传统的实验和基于物理的模拟方法更优异的成绩。这些方法主要侧重于模拟分子图上相邻原子之间的局部相互作用，而忽略了非键合原子之间的长程相互作用。然而，这些未成键的原子在 3D 空间中可能彼此接近，模拟它们的相互作用对于准确确定分子构象至关重要，尤其是对于大分子和多分子复合物。在本文中，作者提出了一种称为动态图评分匹配 (DGSM) 的分子构象预测新方法，该方法通过在训练和推理过程中根据原子之间的空间接近度动态构建原子之间的图结构来对局部和远程相互作用进行建模。具体来说，DGSM根据动态构建的图，使用评分匹配方法直接估计原子坐标对数密度的梯度场。可以以端到端的方式有效地训练整个框架。多项实验表明，DGSM 的表现远超该领域一流水平，并且能够为更广泛的化学系统生成构象，例如蛋白质和多分子复合物。

02

Nat. Commun. | 多尺度相互作用网络鉴定疾病治疗机制

今天给大家介绍斯坦福大学Jure Leskovec教授团队在Nature Communications上发表的一篇文章“Identification of disease treatment mechanisms through the multiscale interactome”。在这项工作中，作者构建了一个多尺度相互作用网络，该网络整合了疾病扰动蛋白、药物靶标和生物功能。基于该网络，作者开发了一种随机游走方法，捕获药物作用如何在蛋白质相互作用和生物功能的层次结构中传播。实验结果表明，多尺度相互作用网络可以预测药物疾病的治疗，鉴定与治疗有关的蛋白质和生物学功能，并预测可改变治疗功效和不良反应的基因。另外，仅通过蛋白质之间的相互作用不能对治疗机制进行解释，因为许多药物通过影响被疾病破坏的生物功能来治疗疾病，而不是直接作用于疾病蛋白。

02

【Nucleic Acids Research】四篇好文简读-专题11

CCPE: cell cycle pseudotime estimation for single cell RNA-seq data 论文摘要：

05

IID | 组织特异性蛋白相互作用预测数据库

在基因的相互作用分析预测方面，我们介绍过 [[STRING-蛋白相互作用数据库使用 | STRING]], [[BioGRID-蛋白，化学物质相互作用数据库 V4.4 | BioGRID]] 更加偏向于蛋白之间的相互作用预测。[[IncAct-基因相互作用分析数据库 | IncAct]] 是一个多组学的预测数据库。而 [[ConsensusPathDB-综合性相互作用分析数据库 | ConsensusPathDB]] 则是一个解释蛋白质-蛋白质、遗传、代谢、信号、基因调控和药物-靶标相互作用的数据库。但是对于基因相互作用而言，在不同的组织和疾病当中调控关系肯定也是不一样的。所以在进行相互作用预测的时候也要基于特定的环境来进行预测。今天就介绍一个基于特定环境预测相互作用关系的数据库：IID: http://iid.ophid.utoronto.ca/ 。

01

BioGRID | 蛋白,化学物质相互作用数据库 | UPDATE

人体内的蛋白存在都存在相互作用关系的。通过预测蛋白之间的相互作用关系，可以了解一个蛋白的具体功能机制。之前介绍过 [[STRING-蛋白相互作用数据库使用]] 就是一个。同时也介绍过 [[BioGRID-单个蛋白质相互作用的数据库]] 这个基于单基因蛋白相互作用数据库。在我们介绍 BioGRID 的时候，那个是 3.0 的版本。最近 BioGRID | Database of Protein, Chemical, and Genetic Interactions: https://thebiogrid.org/ 。数据库更新到了 4.4 版本。其中一些界面也发生了变化。所以这里就重新介绍一下。

02

笔记-NAMD-1

链接:https://pan.baidu.com/s/1nA5q6NOvoHwQeILGuFHkYQ 密码:89ei

04

Nat. Commun. | 多尺度相互作用网络鉴定疾病治疗机制

今天给大家介绍斯坦福大学Jure Leskovec教授团队在Nature Communications上发表的一篇文章“Identification of disease treatment mechanisms through the multiscale interactome”。在这项工作中，作者构建了一个多尺度相互作用网络，该网络整合了疾病扰动蛋白、药物靶标和生物功能。基于该网络，作者开发了一种随机游走方法，捕获药物作用如何在蛋白质相互作用和生物功能的层次结构中传播。实验结果表明，多尺度相互作用网络可以预测药物疾病的治疗，鉴定与治疗有关的蛋白质和生物学功能，并预测可改变治疗功效和不良反应的基因。另外，仅通过蛋白质之间的相互作用不能对治疗机制进行解释，因为许多药物通过影响被疾病破坏的生物功能来治疗疾病，而不是直接作用于疾病蛋白。

03

miRTissue:一款miRNA-target-protein相互关系分析的神器

microRNAs (miRNAs)是基因表达的主要调控因子，有多项研究表明其通过与靶基因的相互作用参与疾病的生理和病理过程。在癌症中，miRNAs的一个重要作用是：它们可以作为“癌基因”或“抑癌基因”发挥作用，而这种相悖的作用取决于它们结合的靶点基因和细胞环境。此外，在乳腺癌中，miRNAs被认为是有前途的分子“生物标志物”，因为它们的图谱与不同的乳腺癌亚型相关联。

01

利用知识图谱和分子图，湖大等开发药物筛选新模型

机器之心专栏机器之心编辑部当下的分子相互作用预测方法还有进步的空间吗？当然有！湖南大学曾湘祥教授团队联合伊利诺伊大学芝加哥分校 Philip S Yu 教授和湘潭大学林轩博士开发了一种名为 KG-MTL 的新方法，它是一种新颖的大规模知识图谱增强多任务学习模型，通过充分利用知识图谱和分子图中的特征信息来预测分子间的相互作用。分子相互作用预测在药物发现和自然科学等领域中发挥着至关重要的作用，这个问题也十分具有挑战性，现有的大多数方法不能准确地利用知识图谱和分子图的信息。在本文中，研究人员提出了一种大规

01

Nat Commun｜使用AlphaFold2改进对蛋白质-蛋白质相互作用的预测

2022年3月10日，斯德哥尔摩大学生物化学和生物物理系的Arne Elofsson和Patrick Bryant在Nat Commun杂志发表文章，介绍了AlphaFold2如何预测多种异质蛋白复合物的结构，尽管它被训练为预测单个蛋白链的结构。使用优化的MSA与AlphaFold2可以准确地预测异源二聚体复合物的结构。

01

细胞相互作用在单细胞转录组中的应用（一）

许多生物进程和细胞通讯息息相关，如胚胎发育，器官形成，癌症发生发展，炎症反应，药物作用和耐药研究等。当细胞不能正确地相互作用或不正确地解码分子信息时，就会引起疾病。因此，细胞间信号通路的鉴定和定量已成为跨不同学科进行的常见分析。蛋白质间的相互作用数据库的扩展以及RNA测序技术的最新进展，使从大量和单细胞数据集的基因表达测量中进行细胞间信号传导的常规分析成为了可能。特别是，配体-受体对可用于从其同源基因的协调表达中推断细胞间的通讯。

01

STITCH | 基因和化学物质相互作用预测数据库

之前我们介绍了很多蛋白相互作用的数据库。其中很多都是用来预测蛋白和蛋白之间相互作用关系的。除了基因之间的相互作用关系。基因和化学物质之间也是存在相互作用关系的。今天就来介绍一个用来预测化学物质和基因之间相互作用关系的数据库：STITCH: chemical association networks: http://stitch.embl.de

04

ICML2023 | 分子关系学习的条件图信息瓶颈

今天为大家介绍的是来自韩国科学技术院的一篇分子关系学习的论文。分子关系学习是一种旨在学习分子对之间相互作用行为的方法，在分子科学领域引起了广泛关注，具有广泛的应用前景。最近，图神经网络在分子关系学习中取得了巨大成功，通过将分子建模为图结构，并考虑两个分子之间的原子级相互作用。尽管取得了成功，但现有的分子关系学习方法往往忽视了化学的本质，即化合物由多个子结构组成，这些子结构会引起不同的化学反应。在本文中，作者提出了一种新颖的关系学习框架，称为CGIB，通过检测其中的核心子图来预测一对图之间的相互作用行为。其主要思想是，在给定一对图的情况下，基于条件图信息瓶颈的原理，从一个图中找到一个子图，该子图包含关于当前任务的最小充分信息，并与配对图相互关联。作者认为其方法模拟了化学反应的本质，即分子的核心子结构取决于它与其他分子的相互作用。在各种具有实际数据集的任务上进行的大量实验表明，CGIB优于现有的基准方法。

04

3DSNP 数据库 | 注释 SNP 信息

今天给大家介绍的 3DSNP 是一个集成数据库，通过探索人类非编码突变在基因和调控元件之间的远端相互作用来注释突变。其整合了千人基因组计划中 3D 染色质的相互作用，不同细胞类型中的局部染色质特征以及连锁不平衡（LD）信息。同时也提供了信息丰富的可视化工具，以显示局部和三维的染色质特征以及突变之间的遗传关联。这个网站也将不同功能类别的数据被集成到一个量化评分系统中，以便我们从大量数据中选择相对重要的突变。

02

ISME：群落相似性的interaction-adjusted指数家族

Link: https://www.nature.com/articles/ismej2016139

04

由复合嵌入模型分解的单细胞成对关系

本文介绍由不列颠哥伦比亚大学的Yongjin P. Park通讯预印在bioRxiv的研究成果：在多细胞生物中，细胞特性和功能是通过与周围其他细胞的相互作用来启动和完善的。在此，作者提出了一种名为SPURCE的可扩展机器学习方法，旨在系统地确定嵌入单细胞RNA序列数据中常见细胞间的通信模式。作者将该方法应用于研究肿瘤微环境，并整合了多个乳腺癌数据集，发现了七个经常观察到的相互作用特征和潜在的基因-基因相互作用网络。实验结果表明，通过不同的相互作用模式而不是已知标记基因的静态表达，可以更好地理解肿瘤异质性的一部分，尤其是同一亚型内的肿瘤异质性。

02

Brief Bioinform. | 如何使用人工智能进行多种药物相互作用预测？

预测药物相关的多重相互作用对于药物开发和安全监测至关重要。近日，《Briefings in Bioinformatics》发表了一篇综述文章，系统地回顾了人工智能在药物-药物（DDI）、药物-食品（辅料）（DFI）和药物-微生物组（DMI）相互作用中的应用，包括人工智能多重交互的模型、评价指标、算法和数据库等。

02

Brief Bioinform. | 如何使用人工智能进行多种药物相互作用预测？

预测药物相关的多重相互作用对于药物开发和安全监测至关重要。近日，《Briefings in Bioinformatics》发表了一篇综述文章，系统地回顾了人工智能在药物-药物（DDI）、药物-食品（辅料）（DFI）和药物-微生物组（DMI）相互作用中的应用，包括人工智能多重交互的模型、评价指标、算法和数据库等。

01

STRING：蛋白相互作用数据库的使用

昨天我们介绍了一些网络分析当中用到的一些基础的知识（相互作用网络分析基础）。对于基因组数据分析而言的话，我们能用到网络分析的就是蛋白相互作用分析(protein-protein ineraction, PPI)分析了。

03

RIsearch2使用方法-预测RNA-RNA互作（sRNA的靶基因）

非编码RNA经常和其它RNAs形成配对（双链）发挥其作用。这些RNA-RNA相互作用都是建立在碱基互补配对的基础上，两个RNA序列之间的高度互补是这种相互作用的强有力预测基础。RIsearch2是RNA-RNA相互作用预测工具，可以在给定的query和target序列之间形成互补定位。使用基于suffix arrays的seed-and-extend框架，RIsearch2可以发现RNA-RNA相互作用关系，这种发现可以基于基因组或转录组。类似之前的 RIsearch，RIsearch2也使用基于di-nucleotides to approximate nearest-neighbor energy parameters的修正Smith-Waterman-Gotoh algorithm算法。然而，不是执行整个序列比对，RIsearch2关注种子区域的完美互补并且向两端延伸。用户定义的seed and extension constraints 使得 RIsearch2 可应用于所有类型的RNA-RNA相互作用预测。

03

蛋白质相互作用数据库

关于探究的蛋白质相互作用的数据库，之前介绍过STRING就是这样的数据库，为什么很多生信的文章都是使用STRING来探讨基因之间的相互作用关系，主要原因还是STRING支持输入多个基因，寻找多个基因之间的相关作用关系。但是如果我们只有一个基因的话，想要知道这个基因和其他什么基因有关系的话，这个时候，STRING虽然也能做，但是预测的结果和结果的多样性就没有另外一个数据库好了。这个数据库就是 BioGRID (https://thebiogrid.org/ , 点击阅读原文可直达数据库)。

02

Microbiome: 微生物组的定义重新审视:旧概念和新挑战

Link:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7329523/

04

手把手教你发网络药理学SCI

从摘要可以看到这篇文章主要内容为：获取中药化学成分与成分作用靶点→疾病作用靶点→构建中药与疾病网络→GO和KEGG富集分析→解析中药作用机制。

Drug Discov Today | 利用系统的蛋白质-配体相互作用指纹图谱进行药物发现

2022年7月16日，来自弗吉尼亚大学数据科学学院和生物医学工程系的Philip E.Bourne和Zheng Zhao等人在Drug Discovery Today上发表文章，作者回顾了系统的蛋白质-配体相互作用指纹（IFP）方法在药物开发方面的最新进展和成功应用。

02

KDD2021 | 用于预测蛋白质-配体结合亲和力的图神经网络

本文介绍由中国科学技术大学和百度商业智能实验室等机构的研究人员合作发表于KDD 2021的研究成果：作者提出了一个基于图神经网络的模型SIGN（structure-aware interactive graph neural network），通过利用原子间的细粒度结构和相互作用信息来学习蛋白质-配体复合物的表征，从而更好地进行结合亲和力预测。SIGN由两部分组成：极坐标启发的图注意力层（PGAL）和成对相互作用池化（PiPool）。PGAL用来整合原子之间的距离和角度信息，进行三维空间结构建模。PiPool用来将蛋白质和配体之间的远程相互作用纳入模型中。在两个基准上的实验结果验证了SIGN的优越性。

03

CELL SYST|多目标神经网络框架预测化合物-蛋白相互作用和亲和力

这次给大家介绍清华大学交叉信息研究院的曾坚阳教授课题组在Cell Systems上发表的论文“MONN: A Multi-objective Neural Network for Predicting Compound-Protein Interactions and Affinities”。分析化合物与蛋白质的相互作用 (Compound-Protein Interactions ,CPIs)在药物研发过程中起着至关重要的作用，迅速准确地预测作用位点和其间的亲和力有利于高效的药物研发。基于此问题，曾坚阳教授课题组引入深度学习，提出了一种预测化合物-蛋白相互作用和亲和力的多目标神经网络-MONN。作者在方法中引入了(i)捕获全局特征的超级节点、(ii)预测亲和力的GRU模块(Gate Recurrent Unit,门循环单元模型)、(iii)预测化合物-蛋白结合位点和判断其间的亲和力指标的多目标共享特征结构，使得其模型具有比现有模型更好的特征可解释性，有效捕捉了化合物与蛋白质的内在特征与联系，实现精确判断分子间的相互作用和亲和力。

02

Brief Bioinform｜基于动态超图对比学习的多关系药物-基因相互作用预测

2023年10月20日，湖南大学曾湘祥教授、刘元盛老师团队在Briefings in Bioinformatics上发表文章Prediction of multi-relational drug–gene interaction via Dynamic hyperGraph Contrastive Learning。

01

硫原子在药物设计中的作用

缺电子的二价硫原子具有两个正电势区域，可以与氮、氧或者π体系这些电子供体形成类似氢键的作用，这种相互作用广泛存在于天然产物和药物分子中，硫原子对于调节分子的构象和活性具有令人欣喜的效果。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭