Xing  Chen*, Chenggang Yan*, Xiaotian Zhang, Feng Dai, Jian Yin, and Yongdong Zhang    

        药物 - 靶标相互作用的鉴定是药物发现中的重要过程。尽管高通量筛选和其他生物测定正在变得可用，但是药物 - 靶标相互作用鉴定的实验方法仍然是极其昂贵，耗时且具有挑战性的，即使是现在也是如此。因此，已经开发了各种计算模型来大规模地预测潜在的药物 - 靶标关联。在本次审查中，总结了涉及药物靶标识别和药物发现的数据库和网络服务器。此外，我们主要介绍了一些最先进的药物 - 目标相互作用预测计算模型，包括基于网络的方法，基于机器学习的方法等。特别地，对于基于机器学习的方法，对监督和半监督模型给予了很多关注，其在负样本的采用中具有本质区别。尽管通过许多有效的计算模型已经获得了药物 - 目标相互作用预测的显着改进，但是基于网络和基于机器学习的方法分别具有它们的缺点。此外，我们讨论基于网络的药物发现的未来方向和基于个性化医学，基因组测序，基于肿瘤克隆的网络和基于癌症标志的网络的个性化药物发现的网络方法。最后，我们通过基于定量生物活性数据的更现实的回归公式讨论了新的评估验证框架和药物-目标相互作用预测问题的制定。

        该成果发表于Briefings in Bioinformatics期刊，收录于SCI，为ESI高被引以及ESI热点论文。

Drug–target interaction prediction databases, web servers and computational models.pdf