Infos Biotech – Étendez le principe de la similitude des petites molécules à tous les niveaux de la biologie avec le testeur chimique– Act-in-biotech
Sterling, T. et Irwin, J. J. ZINC 15: découverte de ligands pour tous. J. Chem. Inform. Modèle. 55, 2324-2337 (2015).
Gaulton, A. et al. La base de données ChEMBL en 2017. Nucleic Acids Res. Quatre cinq, D945 – D954 (2017).
Wang, Y. et al. PubChem BioAssay – mise à jour 2017. Nucleic Acids Res. Quatre cinq, D955 – D963 (2017).
Wishart, D. S. Chapitre 3: petites molécules et maladie. PLOS Comput. Biol. 8, e1002805 (2012).
Duran-Frigola, M., Rossell, D. et Aloy, P. Une vue chimiocentrique de la santé et des maladies humaines. Nature Commun. 5 55676 (2014).
Rouillard, A. D. et al. L’Harmonizome: une collection d’ensembles de données traitées réunies pour servir et extraire des connaissances sur les gènes et les protéines. Base de données 2016, baw100 – baw100 (2016).
Newman, D. J. et Cragg, G. M. Les produits naturels comme sources de nouveaux médicaments de 1981 à 2014. J. Nat. Cliquez. 79, 629-661 (2016).
Rodrigues, T., Reker, D., Schneider, P. et Schneider, G. Compter sur des produits naturels pour la conception de médicaments. Nat. Chem 8531-541 (2016).
Welsch, M. E., Snyder, S. A. et Stockwell, B. R. Échafaudages privilégiés pour la conception de bibliothèques et la découverte de médicaments. Curr. Opin. Chem Biol. 14, 347–361 (2010).
Bleicher, K. H., Böhm, H.-J., Müller, K. et Alanine, A. I. Génération de succès et de leadership: au-delà du dépistage de haute performance. Disque de drogue du rév. 2, 369–378 (2003).
Holbeck, S. L., Collins, J. M. et Doroshow, J. H. Analyse des agents anticancéreux approuvés par la Food and Drug Administration dans le panel NCI60 des lignées de cellules tumorales humaines. Mol. Thérapie contre le cancer. 9 9, 1451–1460 (2010).
Seashore-Ludlow, B. et al. Tirer parti de la connectivité dans un ensemble de données de sensibilité à grande échelle sur les petites molécules. Découvrez le cancer. 5 5, 1210-1223 (2015).
Campillos, M., Kuhn, M., Gavin, A.-C., Jensen, L. J. & Bork, P. Identification de l’objectif pharmacologique en utilisant la similitude des effets secondaires. Science 321263–366 (2008).
Petrone, P. M. et al. Repenser la similitude moléculaire: comparer les composés en fonction de l’activité biologique. ACS Chem. Biol. 7 7, 1399-1409 (2012).
Papadatos, G., Gaulton, A., Hersey, A. et Overington, J. P. Activité, test et conservation de données objectives et de qualité dans la base de données ChEMBL. J. Comput. A aidé Mol. Des. 29, 885-896 (2015).
Duran-Frigola, M., Mateo, L. et Aloy, P. Repositionnement des médicaments au-delà des fruits bas. Curr. Opin. Syst. Biol. 3, 95-102 (2017).
Nguyen, D. T. et al. Pharos: collecte d’informations sur les protéines pour faire la lumière sur le génome pharmacologique. Nucleic Acids Res. Quatre cinq, D995 – D1002 (2017).
Duran-Frigola, M., Fernández-Torras, A., Bertoni, M. et Aloy, P. Formatage de grandes données biologiques pour l’apprentissage automatique moderne dans la découverte de médicaments. FILS Comp. Mol. Sci. 9 9, e1408 (2018).
Corsello, S. M. et al. The Drug Repurposing Hub: une bibliothèque de médicaments de nouvelle génération et une ressource d’information. Nat. Medicine. 2. 3, 405 à 408 (2017).
Inhibition de Jokinen, E. et Koivunen, J. P. MEK et PI3K dans les tumeurs solides: justification et preuves à ce jour. Le R. Adv. Médicament. Oncol 7 7, 170 à 180 (2015).
Lamb, J. et al. La carte de connectivité: utilisation de signatures d’expression génique pour connecter de petites molécules, gènes et maladies. Science 313, 1929-1935 (2006).
Subramanian, A. et al. Une carte de connectivité de nouvelle génération: la plateforme L1000 et les 1 000 000 premiers profils. Cellule 171, 1437–1452 (2017).
Filzen, T. M., Kutchukian, P. S., Hermes, J. D., Li, J. et Tudor, M. La représentation des profils d’expression à haut débit par le biais de codes-barres de perturbation révèle des cibles composites. PLoS Comput. Biol. 13, e1005335 (2017).
Chen, B. et al. L’inversion de l’expression des gènes du cancer est en corrélation avec l’efficacité du médicament et révèle des objectifs thérapeutiques. Nat. Commun. 816022 (2017).
Iorio, F. et al. Un aperçu des interactions pharmacogénomiques dans le cancer. Cellule 166, 740–754 (2016).
Encinas, M. et al. Le traitement séquentiel des cellules SH-SY5Y avec de l’acide rétinoïque et un facteur neurotrophique dérivé du cerveau donne des cellules neuronales humaines entièrement différenciées, dépendantes du facteur neurotrophique. J. Neurochem. 75, 991-1003 (2000).
Tanzi, R. E. La génétique de la maladie d’Alzheimer. Harb de printemps froid. Perspective de la médecine. 2, a006296 (2012).
Carvalho-Silva, D. et al. Plateforme Open Goals: nouveaux développements et mises à jour deux ans plus tard. Nucleic Acids Res. 47, D1056 – D1065 (2019).
Perszyk, R. E. et al. Que contient GluN2D Nord-méthyle-réLes récepteurs aspartates assurent la médiation de la transmission synaptique dans les interneurones hippocampiques et régulent l’activité interneuronale. Mol. Pharmacol 90, 689–702 (2016).
Harold, D. et al. L’étude d’association à l’échelle du génome identifie les variantes CLU et PICALM associées à la maladie d’Alzheimer. Nat genet 41, 1088-1093 (2009).
Anselmo, A. C., Gokarn, Y. et Mitragotri, S. Stratégies pour l’administration non invasive de produits biologiques. Rév. Nat. Drug Discov. 18 années, 19-40 (2018).
Depper, J. M., Leonard, W. J., Robb, R. J., Waldmann, T. A. et Greene, W. C. Blocage du récepteur de l’interleukine-2 par des anticorps anti-Tac: inhibition de l’activation des lymphocytes humains. J. Immunol. 131, 690-696 (1983).
Benson, J. M. et al. Orientation thérapeutique des voies IL-12/23: génération et caractérisation de l’ustekinumab. Nat. Biotechnologie 29, 615-624 (2011).
Reddy, M. et al. Modulation de l’expression de CLA, IL-12R, CD40L et IL-2Ralpha et inhibition de la sécrétion de cytokines induite par IL-12 et IL-23 par CNTO 1275. Immunol cellulaire. 2471–11 (2007).
Xu, M. J., Johnson, D. E. et Grandis, J. R. EGFR ont ciblé des thérapies à l’ère post-génomique. Cancer Metastasis Rev. 36, 463–473 (2017).
Masuelli, L. et al. L’apigénine induit l’apoptose et modifie la signalisation EGFR / ErbB2 des carcinomes de la tête et du cou. De face. Biosci. seize, 1060-1068 (2011).
Hu, W. J., Liu, J., Zhong, L. K. et Wang, J. Apigenin améliore les effets antitumoraux du cetuximab dans le carcinome nasopharyngé en inhibant la signalisation EGFR. Biomed. Pharmacien 102, 681 à 688 (2018).
Sawai, A. et al. L’inhibition de Hsp90 régule à la baisse l’expression du récepteur du facteur de croissance épidermique mutant (EGFR) et sensibilise les tumeurs mutantes d’EGFR au paclitaxel. Cancer Res. 68589 à 596 (2008).
Williams, A. J. et al. Open FACTS: interopérabilité sémantique pour la découverte de médicaments. Disque de drogue. Aujourd’hui 17, 1188-1198 (2012).
Rodgers, G. et al. Clignote lors de l’illumination du génome pharmacologique. Disque de drogue du rév. 17, 301-302 (2018).
Wu, Z. et al. MoleculeNet: une référence pour l’apprentissage automatique moléculaire. Chem Sci. 9 9, 513-530 (2018).
Lee, Y. S. et al. Un cadre de calcul pour caractériser l’ensemble du génome du paysage des maladies humaines. Cell Syst. 8, 152-162 (2019).
Mendez-Lucio, O., Baillif, B., Clevert, D. A., Rouquie, D. et Wichard, J. Génération de novo de molécules similaires à celles des sociétés d’expression génique utilisant l’intelligence artificielle. Nat. Commun. Onze10 (2020).
Reymond, J.-L. The Chemical Space Project. Acc. Chem Res. 48, 722–730 (2015).
Irwin, J. J., Gaskins, G., Sterling, T., Mysinger, M. et Keizer, M. J. Prédiction de l’activité biologique de l’espace chimique acquis. J. Chem. Info. Modélisation 58, 148-164 (2018).
Wang, B. et al. Fusion du réseau de similarité pour agréger les types de données à l’échelle génomique. Méthodes Nat Onze333–337 (2014).
Bickerton, G. R., Paolini, G. V., Besnard, J., Muresan, S. et Hopkins, A. L. Quantification de la beauté chimique des médicaments. Nat. Chem 4 4, 90-98 (2012).
Axen, S. D. et al. Une représentation simple de la structure moléculaire tridimensionnelle. J. Med. Chem 60 60, 7393–7409 (2017).
Bemis, G. W. et Murcko, M. A. Les propriétés des médicaments connus. 1. Cadres moléculaires. J. Med. Chem 39, 2887-2893 (1996).
Durant, J. L., Leland, B. A., Henry, D. R. et Nourse, J. G. Ré-optimisation des clés CDM pour une utilisation dans la découverte de médicaments. J. Chem. Inf. Comput Sci. 42, 1273 à 1280 (2002).
Lipinski, C. A. Composés de plomb et médicaments: la règle de cinq révolution. Drug Discov. Technol aujourd’hui. une337–341 (2004).
Congreve, M., Carr, R., Murray, C. et Jhoti, H. Une «règle de trois» pour la découverte de plomb basée sur des fragments? Drug Discov. Aujourd’hui 8, 876–877 (2003).
Wishart, D. S. et al. DrugBank 5.0 – Une mise à jour majeure de la base de données DrugBank pour 2018. Nucleic Acids Res. 46, D1074 – D1082 (2018).
Cheng, H. et al. ECOD: une classification évolutive des domaines protéiques. PLoS Comput. Biol. dix, e1003926 (2014).
Gilson, M. K. et al. BindingDB en 2015: une base de données publique pour la chimie médicale, la chimie computationnelle et la pharmacologie des systèmes. Nucleic Acids Res. 44, D1045 – D1053 (2016).
Hastings, J. et al. ChEBI 2016: Services améliorés et une collection en pleine expansion de métabolites. Nucleic Acids Res. 44, D1214 – D1219 (2016).
Thiele, I. et al. Une reconstruction mondiale du métabolisme humain impulsée par la communauté. Nat Biotechnol. 31, 419-425 (2013).
Cerami, E. G. et al. Pathway Commons, une ressource Web pour les données sur les voies biologiques. Nucleic Acids Res. 39, D685 – D690 (2011).
Fabregat, A. et al. La base de connaissances Reactome Pathway. Nucleic Acids Res. 46, D649 – D655 (2018).
Pryszcz, L. P., Huerta-Cepas, J. et Gabaldon, T. MetaPhOrs: prédictions d’orthologie et de paralogie à partir de plusieurs preuves phylogénétiques utilisant un score de confiance basé sur la cohérence. Nucleic Acids Res. 39, e32 (2011).
Kruger, F. A. et Overington, J. P. Analyse globale de la liaison de petites molécules à des cibles protéiques apparentées. PLoS Comput. Biol. 8, e1002333 (2012).
Zwierzyna, M. et Overington, J. P. Classification et analyse d’une grande collection de descriptions d’essais biologiques in vivo. PLoS Comput. Biol. 13, e1005641 (2017).
Szklarczyk, D. et al. La base de données STRING en 2017: réseaux d’association protéine-protéine de qualité contrôlée, largement accessibles. Nucleic Acids Res. Quatre cinq, D362 – D368 (2017).
Li, T. et al. Un réseau d’interaction protéine-protéine humaine ponctué pour catalyser l’interprétation génomique. Méthodes nat. 1461-64 (2017).
Kanehisa, M., Sato, Y., Kawashima, M., Furumichi, M. et Tanabe, M. KEGG comme ressource de référence pour l’annotation des gènes et des protéines. Nucleic Acids Res. 44, D457 – D462 (2016).
Kandasamy, K. et al. NetPath: une ressource publique pour les voies de transduction de signaux sélectionnées. Genome Biol. Onze, R3 (2010).
Mi, H. et al. PANTHER version 11: extension des données d’annotation de l’ontologie des gènes et des voies du réactome, et améliorations de l’outil d’analyse des données. Nucleic Acids Res. Quatre cinq, D183 – D189 (2017).
Kelder, T. et al. WikiPathways: création de communautés de recherche sur les voies biologiques. Nucleic Acids Res. 40, D1301 – D1307 (2012).
Mosca, R., Ceol, A. et Aloy, P. Interactome3D: ajout de détails structurels aux réseaux de protéines. Méthodes nat. dix47-53 (2013).
Leiserson, M. D. et al. L’analyse du réseau pan-cancer identifie des combinaisons de mutations somatiques rares à travers des complexes de protéines et des voies. Nat. Gineta. 47, 106 à 114 (2015).
Iorio, F. et al. Découverte du mode d’action des médicaments et repositionnement des médicaments à partir des réponses transcriptionnelles. Proc. Natl Acad. États-Unis 10714621–14626 (2010).
Barretina, J. et al. L’encyclopédie Cancer Cell Line permet une modélisation prédictive de la sensibilité aux médicaments anticancéreux. La nature 483, 603-607 (2012).
Basu, A. et al. Une ressource interactive pour identifier les dépendances génétiques et de lignée du cancer entraîné par de petites molécules. Cellule 1541151 à 1161 (2013).
Chabner, B. A. Criblage de la lignée cellulaire NCI-60: un changement radical dans son temps. J. Natl Cancer Inst. 108, djv388 (2016).
Azur, M. J., Stuart, E. A., Frangakis, C. et Leaf, P. J. L’imputation multiple par des équations chaînées: qu’est-ce que c’est et comment ça marche? En t. J. Meth. Psychiatre Res. vingt, 40-49 (2011).
Nelson, J. et coll. MOSAIC: un référentiel de données d’interaction chimique-génétique et une ressource Web pour explorer les modes d’action chimiques. Bioinformatique 3. 4, 1251-1252 (2017).
Wawer, M. J. et al. Vers des bibliothèques de petites molécules à performances diverses pour le criblage phénotypique basé sur les cellules à l’aide de profils multiplex de haute dimension. Proc. Natl Acad. États-Unis 111, 10911-10916 (2014).
Brown, A. S. et Patel, C. J. Une base de données standard pour le repositionnement de médicaments. Données scientifiques 4 4170029 (2017).
Piñero, J. et al. DisGeNET: une plateforme complète qui intègre des informations sur les gènes et les variantes associées aux maladies humaines. Nucleic Acids Res. Quatre cinq, D833 – D839 (2017).
Kuhn, M., Letunic, I., Jensen, L. J. et Bork, P. The SIDER Database of Medicines and Side Effects. Nucleic Acids Res. 44, D1075-1079 (2016).
Kuhn, M. et al. Identification systématique des protéines qui provoquent des effets secondaires des médicaments. Mol. Syst. Biol. 9 9663 (2013).
Duran-Frigola, M. et Aloy, P. L’analyse des caractéristiques chimiques et biologiques fournit des informations mécanistiques sur les effets secondaires des médicaments. Chem Biol. vingt594 à 603 (2013).
Davis, A. P. et al. La base de données comparatives de toxicogénomique: mise à jour 2017. Nucleic Acids Res. Quatre cinq, D972 – D978 (2017).
Ryu, J. Y., Kim, H. W. et Lee, S. Y. L’apprentissage en profondeur améliore la prédiction des interactions médicament-médicament-aliment. Proc. Natl Acad. États-Unis 115, 4304–4311 (2018).
Grover, A. et Leskovec, J. node2vec: apprentissage des fonctions évolutives pour les réseaux. Prépresse en https://arxiv.org/abs/1607.00653 (2016)
Matsui, Y. O., Yamasaki, K. et Aizawa, T. K PQk signifie: regroupement à l’échelle d’un milliard de codes quantifiés de produits. Prépresse en https://arxiv.org/abs/1709.03708 (2017)
Maaten, L. c. D. Barnes – Hut-SNE. Prépresse en https://arxiv.org/abs/1301.3342 (2013)
McInnes, L. et Healy, J. Regroupement hiérarchique accéléré par la densité. Proc. Conférence internationale IEEE 2017 sur les ateliers d’exploration de données (IEEE, 2017).
Webber, W., Moffat, A. et Zobel, J. Une mesure de similitude pour les classifications indéfinies. ACM Trans. Inf. Syst. 28, 1–38 (2010).
Lo, Y. C. et al. Réseaux de similarité chimique à grande échelle pour le profil cible de composés identifiés sur des écrans chimiques à base de cellules. PLoS Comput. Biol. Onze, e1004153 (2015).
Rennie, J. D. M., Shih, L., Teevan, J. et Karger, D. R. Face aux mauvaises hypothèses des classificateurs de texte naïfs de Bayes. Proc. Conférence internationale sur la conférence internationale sur l’apprentissage automatique 616–623 (AAAI Press, 2003).
Irwin, J. J. et Shoichet, B. K. ZINC: une base de données gratuite de composés disponibles dans le commerce pour la détection virtuelle. J. Chem. Model Inf. Quatre cinq, 177 à 182 (2005).
Fernández-Torras, A., Duran-Frigola, M. et Aloy, P. Autour des régions du paysage pharmacogénomique qui déterminent la réponse au médicament. Génome Med.11, 17 (2019).
Badia, R. et al. SAMHD1 est actif dans les cellules cycliques permissives pour l’infection par le VIH-1. Antiviral res. 142, 123-135 (2017).
Saxena, V., Orgill, D. et Kohane, I. Enrichissement absolu: analyse d’enrichissement des ensembles de gènes pour les systèmes homéostatiques. Nucleic Acids Res. 3. 4, e151 (2006).
Source: Source link