新思路：机器学习叠加分子模拟技术，纯生信文章1区7分！

文章题目：Machine-learning analysis of opioid use disorder informed by MOR, DOR, KOR, NOR and ZOR-based interactome networks

DOI：10.1016/j.compbiomed.2023.106745

中文标题：由 MOR、DOR、KOR、NOR 和基于 ZOR 的交互组网络提供的阿片类药物使用障碍的机器学习分析

发表杂志：Computers in Biology and Medicine

影响因子：1区，IF=7.0

发表时间：2023年5月

今天给大家分享一篇2023年5月发表在《Computers in Biology and Medicine》（Q1区，IF= 7）的文章，通过机器学习分析和蛋白互作网络的方法探讨了阿片类药物使用障碍（OUD）的治疗策略。

研究的背景：OUD是一个全球性的重大公共卫生挑战和社会问题，随着阿片类药物依赖的人数急剧上升，滥用的可能性也随之增加。尽管已有一些药物被批准用于治疗OUD，但这些药物的疗效需要进一步提高，以提供更安全、更有效的药物和心理社会治疗。

研究的目的：利用基于蛋白-蛋白相互作用（PPI）网络的机器学习方法，系统地评估和重新定位超过120,000种药物候选物，以发现具有理想药效和ADMET（吸收、分布、代谢、排泄和毒性）特性的抑制化合物，为OUD的药物治疗开发提供有价值的工具。

研究方法：

1.从String v11数据库中获取了与五大阿片类药物受体（MOR、DOR、KOR、NOR和ZOR）相关的PPI网络。

2.从ChEMBL数据库收集了与这些蛋白靶标相关的抑制剂数据集，并构建了机器学习模型。

3.使用基于自然语言处理的transformer和autoencoder学习模型生成的潜在向量（LV）指纹表示抑制剂化合物。

4.将这些潜在向量与梯度提升决策树（GBDT）算法结合，构建了结合亲和力（BA）预测器。

结果：

Table&Figure

结果解读：通过机器学习模型，研究人员能够评估和预测药物候选物对OUD治疗的潜力，同时考虑了药物的副作用和重新定位的可能性。此外，还对FDA批准的药物或其他现有药物进行了副作用评估。

结论：本研究提供的基于机器学习的平台为寻找治疗OUD的化合物候选物提供了一种新方法，这种方法也可以推广到其他具有神经学意义的疾病研究中。随着对阿片类药物成瘾机制理解的不断深入，以及药物治疗的更多努力，本研究平台将有助于应对OUD带来的严重公共卫生问题。

本研究通过构建基于蛋白-蛋白相互作用（PPI）网络的机器学习模型，提供了一种新的视角和方法来理解和预测药物的作用机制和副作用~大家可以学习~

课题思路这不就来了么？万层高楼平底起，一起加油呀！