通过迁移学习进行阿尔茨海默病的药物再定位
摘要：用于药物发现的深度学习和DRUG-seq（基因扰乱的数字RNA）引起了人们的关注。然而，公共的DRUG-seq数据集太小了，无法直接用于从头开始训练深度学习神经网络。受到迁移学习技术的启发，我们使用整合网络细胞签名（LINCS）L1000数据对药物疗效预测神经网络模型进行预训练，然后使用人类神经细胞DRUG-seq数据进行微调。训练完成后，该模型用于虚拟筛选，寻找治疗阿尔茨海默病（AD）的潜在药物。最终，我们发现了27种潜在的AD治疗药物，包括Irsogladine（PDE4抑制剂）、Tasquinimod（HDAC4选择性抑制剂）、Suprofen（双重COX-1/COX-2抑制剂）等。
作者：Yetao Wu, Han Liu, Jie Yan, Xiaolin Hu
论文ID：2210.15271
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-10-28