DeepDR：用于药物再定位的集成深度学习模型 Web 服务器
机器学习
2025-11-13 v1 定量方法
摘要
背景：识别已获批药物的新适应症是一个复杂且耗时的过程，需要深入的药理学知识、临床数据以及先进的计算方法。最近，深度学习（DL）方法在药物再定位的准确预测方面显示出强大的能力。然而，实施基于 DL 的建模需要深入的领域知识和熟练的编程技能。结果：本应用中，我们介绍了 DeepDR——首个集成平台，融合了多种既定的基于 DL 的模型，用于疾病和靶点的药物再定位任务。DeepDR 利用宝贵的经验推荐候选药物，涵盖超过 15 个网络和一个综合知识图谱，后者包含 590 万条跨 107 种关系的边，连接药物、疾病、蛋白质/基因、通路及表达数据，来自六个现有数据库和 2400 万篇 PubMed 文献。此外，推荐结果包括对所推荐药物的详细描述，并通过知识图谱可视化关键模式，实现可解释性。结论：DeepDR 免费开放，无需注册即可供所有用户使用。我们相信它可以为实验科学家和计算科学家提供一个易于使用的、系统化、高度准确且计算自动化的平台。
引用
@article{arxiv.2511.08921,
title = {DeepDR: an integrated deep-learning model web server for drug repositioning},
author = {Shuting Jin and Yi Jiang and Yimin Liu and Tengfei Ma and Dongsheng Cao and Leyi Wei and Xiangrong Liu and Xiangxiang Zeng},
journal= {arXiv preprint arXiv:2511.08921},
year = {2025}
}
备注
13 pages, 4 figures