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

  • une)

    Sterling, T. et Irwin, J. J. ZINC 15: découverte de ligands pour tous. J. Chem. Inform. Modèle. 55, 2324-2337 (2015).

  • 2)

    Gaulton, A. et al. La base de données ChEMBL en 2017. Nucleic Acids Res. Quatre cinq, D945 – D954 (2017).

  • 3)

    Wang, Y. et al. PubChem BioAssay – mise à jour 2017. Nucleic Acids Res. Quatre cinq, D955 – D963 (2017).

  • 4)

    Wishart, D. S. Chapitre 3: petites molécules et maladie. PLOS Comput. Biol. 8, e1002805 (2012).

  • 5)

    Duran-Frigola, M., Rossell, D. et Aloy, P. Une vue chimiocentrique de la santé et des maladies humaines. Nature Commun. 5 55676 (2014).

  • 6)

    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).

  • 7)

    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).

  • 8)

    Rodrigues, T., Reker, D., Schneider, P. et Schneider, G. Compter sur des produits naturels pour la conception de médicaments. Nat. Chem 8531-541 (2016).

  • 9)

    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).

  • dix)

    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).

  • Onze)

    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).

  • 12)

    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).

  • 13)

    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).

  • 14)

    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).

  • quinze.

    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).

  • seize.

    Duran-Frigola, M., Mateo, L. et Aloy, P. Repositionnement des médicaments au-delà des fruits bas. Curr. Opin. Syst. Biol. 3, 95-102 (2017).

  • 17)

    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).

  • 18)

    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).

  • 19)

    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).

  • vingt)

    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).

  • vingt et un)

    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).

  • 22)

    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).

  • 2. 3)

    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).

  • 24)

    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).

  • 25)

    Iorio, F. et al. Un aperçu des interactions pharmacogénomiques dans le cancer. Cellule 166, 740–754 (2016).

  • 26)

    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).

  • 27)

    Tanzi, R. E. La génétique de la maladie d’Alzheimer. Harb de printemps froid. Perspective de la médecine. 2, a006296 (2012).

  • 28)

    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).

  • 29)

    Perszyk, R. E. et al. Que contient GluN2D Nord-méthyle-Les récepteurs aspartates assurent la médiation de la transmission synaptique dans les interneurones hippocampiques et régulent l’activité interneuronale. Mol. Pharmacol 90, 689–702 (2016).

  • 30)

    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).

  • 31)

    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).

  • 32)

    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).

  • 33)

    Benson, J. M. et al. Orientation thérapeutique des voies IL-12/23: génération et caractérisation de l’ustekinumab. Nat. Biotechnologie 29, 615-624 (2011).

  • 3. 4)

    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).

  • 35)

    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).

  • 36)

    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).

  • 37)

    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).

  • 38)

    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).

  • 39)

    Williams, A. J. et al. Open FACTS: interopérabilité sémantique pour la découverte de médicaments. Disque de drogue. Aujourd’hui 17, 1188-1198 (2012).

  • 40)

    Rodgers, G. et al. Clignote lors de l’illumination du génome pharmacologique. Disque de drogue du rév. 17, 301-302 (2018).

  • 41)

    Wu, Z. et al. MoleculeNet: une référence pour l’apprentissage automatique moléculaire. Chem Sci. 9 9, 513-530 (2018).

  • 42)

    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).

  • 43)

    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).

  • 44)

    Reymond, J.-L. The Chemical Space Project. Acc. Chem Res. 48, 722–730 (2015).

  • Quatre cinq

    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).

  • 46)

    Wang, B. et al. Fusion du réseau de similarité pour agréger les types de données à l’échelle génomique. Méthodes Nat Onze333–337 (2014).

  • 47)

    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).

  • 48)

    Axen, S. D. et al. Une représentation simple de la structure moléculaire tridimensionnelle. J. Med. Chem 60 60, 7393–7409 (2017).

  • 49)

    Bemis, G. W. et Murcko, M. A. Les propriétés des médicaments connus. 1. Cadres moléculaires. J. Med. Chem 39, 2887-2893 (1996).

  • cinquante

    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).

  • 51)

    Lipinski, C. A. Composés de plomb et médicaments: la règle de cinq révolution. Drug Discov. Technol aujourd’hui. une337–341 (2004).

  • 52)

    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).

  • 53)

    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).

  • 54)

    Cheng, H. et al. ECOD: une classification évolutive des domaines protéiques. PLoS Comput. Biol. dix, e1003926 (2014).

  • 55)

    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).

  • 56)

    Hastings, J. et al. ChEBI 2016: Services améliorés et une collection en pleine expansion de métabolites. Nucleic Acids Res. 44, D1214 – D1219 (2016).

  • 57)

    Thiele, I. et al. Une reconstruction mondiale du métabolisme humain impulsée par la communauté. Nat Biotechnol. 31, 419-425 (2013).

  • 58)

    Cerami, E. G. et al. Pathway Commons, une ressource Web pour les données sur les voies biologiques. Nucleic Acids Res. 39, D685 – D690 (2011).

  • 59)

    Fabregat, A. et al. La base de connaissances Reactome Pathway. Nucleic Acids Res. 46, D649 – D655 (2018).

  • 60

    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).

  • 61)

    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).

  • 62)

    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).

  • 63)

    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).

  • 64)

    Li, T. et al. Un réseau d’interaction protéine-protéine humaine ponctué pour catalyser l’interprétation génomique. Méthodes nat. 1461-64 (2017).

  • Soixante-cinq.

    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).

  • 66

    Kandasamy, K. et al. NetPath: une ressource publique pour les voies de transduction de signaux sélectionnées. Genome Biol. Onze, R3 (2010).

  • 67)

    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).

  • 68)

    Kelder, T. et al. WikiPathways: création de communautés de recherche sur les voies biologiques. Nucleic Acids Res. 40, D1301 – D1307 (2012).

  • 69)

    Mosca, R., Ceol, A. et Aloy, P. Interactome3D: ajout de détails structurels aux réseaux de protéines. Méthodes nat. dix47-53 (2013).

  • 70)

    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).

  • 71)

    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).

  • 72)

    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).

  • 73)

    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).

  • 74)

    Chabner, B. A. Criblage de la lignée cellulaire NCI-60: un changement radical dans son temps. J. Natl Cancer Inst. 108, djv388 (2016).

  • 75)

    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).

  • 76)

    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).

  • 77)

    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).

  • 78)

    Brown, A. S. et Patel, C. J. Une base de données standard pour le repositionnement de médicaments. Données scientifiques 4 4170029 (2017).

  • 79)

    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).

  • 80

    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).

  • 81)

    Kuhn, M. et al. Identification systématique des protéines qui provoquent des effets secondaires des médicaments. Mol. Syst. Biol. 9 9663 (2013).

  • 82)

    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).

  • 83)

    Davis, A. P. et al. La base de données comparatives de toxicogénomique: mise à jour 2017. Nucleic Acids Res. Quatre cinq, D972 – D978 (2017).

  • 84)

    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).

  • 85)

    Grover, A. et Leskovec, J. node2vec: apprentissage des fonctions évolutives pour les réseaux. Prépresse en https://arxiv.org/abs/1607.00653 (2016)

  • 86)

    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)

  • 87)

    Maaten, L. c. D. Barnes – Hut-SNE. Prépresse en https://arxiv.org/abs/1301.3342 (2013)

  • 88)

    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).

  • 89)

    Webber, W., Moffat, A. et Zobel, J. Une mesure de similitude pour les classifications indéfinies. ACM Trans. Inf. Syst. 28, 1–38 (2010).

  • 90

    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).

  • 91)

    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).

  • 92)

    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).

  • 93)

    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).

  • 94)

    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).

  • 95)

    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

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *