PLAST RECONSTR SURG：基于人工智能对治疗包膜挛缩新药的挖掘
2023-10-31 MedSci原创 MedSci原创 发表于上海
文本挖掘和深度学习可作为一种很有前景的工具，用于探索非手术治疗包膜挛缩。
包膜挛缩是乳房置入物置入后常见且不可预测的并发症。其发生率高达3.80%~15.56%。目前，包膜挛缩的发病机制尚不清楚，许多研究表明，慢性炎症在包膜挛缩的形成中起着重要的作用，并且多种炎症因子参与了纤维化的过程。目前，广泛接受的治疗方法是包膜切除或包膜切除结合置入物取出或改变置入平面。然而，患者对术后并发症的手术处理的接受程度较低。很少有研究关注于包膜挛缩的非手术治疗，非手术治疗的有效性仍值得怀疑。目前，非手术治疗仅作为患者拒绝手术治疗的替代选择。如果开发出一种具有明确效果的药物，它可能很快成为包膜挛缩患者的首选，无疑将给患者和医生带来益处。
Plastic and Reconstructive Surgery 最新的一篇研究报告，旨在通过计算方法研究治疗包膜挛缩的新药。
通过文本挖掘和基因编码技术鉴定包膜挛缩相关基因。然后，通过检索工具中的蛋白-蛋白相互作用分析，选择相互作用的候选关键基因。在药物项目中筛选出了与包膜挛缩相关的候选基因的药物。通过DeepPurpose的药物-靶点相互作用分析，最终获得预测结合亲和力最高的候选药物。
作者的研究发现了55个与包膜挛缩相关的基因。基因集合富集分析和蛋白-蛋白相互作用分析得到8个候选基因。选择了100种针对候选基因的药物。DeepPurpose测定了预测结合亲和力最高的7种候选药物，包括肿瘤坏死因子拮抗剂、雌激素受体激动剂、胰岛素样生长因子1受体、酪氨酸激酶抑制剂和基质金属肽酶1抑制剂。
综上，文本挖掘和深度学习可作为一种很有前景的工具，用于探索非手术治疗包膜挛缩。研究者还将继续研究这种基于数据的药物筛选技术，并改进预测模型的参数，以协助开发新药。
原始出处：
Lu Y, Chen Z, Pan Y, Qi F. Identification of Drug Compounds for Capsular Contracture Based on Text Mining and Deep Learning. Plast Reconstr Surg. 2023;152(5):779e-790e. doi:10.1097/PRS.0000000000010350.
Identification of Drug Compounds for Capsular Contracture Based on Text Mining and Deep Learning.pdf
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
