Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
靶点识别在药物发现中的作用是什么？
摘要
药物发现是一个复杂而系统的过程，其中靶点识别被视为第一步，旨在确定与特定疾病相关的生物分子或通路。靶点的有效识别不仅影响药物的选择和开发，还对药物的安全性和有效性产生深远影响。近年来，随着生物技术和计算生物学的快速发展，靶点识别的技术手段不断演进，从传统的实验室筛选到现代的高通量筛选、基因组学、蛋白质组学和代谢组学等多种方法的结合，使靶点识别的效率和准确性大幅提升。靶点识别的重要性在于为药物的作用机制提供基础，帮助研究人员理解药物的作用路径及其潜在毒性，同时也为已有药物的重新利用提供了可能性。传统靶点识别方法通常耗时且劳动密集，限制了药物发现的速度和效率，而人工智能和机器学习等新兴技术的应用，能够分析大量数据，揭示复杂的生物网络，从而显著提高靶点识别的效率。当前靶点识别的研究现状主要集中在传统方法与现代技术的结合，以及靶点的多样性和生物复杂性带来的挑战。本文回顾了靶点识别的基本概念、技术进展及其在药物发现中的应用，探讨了靶点识别面临的挑战及未来发展方向，旨在为研究人员提供有价值的见解，帮助优化药物开发流程，提高新药研发的成功率。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 靶点识别的基本概念
- 2.1 靶点的定义与分类
- 2.2 靶点识别的重要性
- 3 靶点识别的技术进展
- 3.1 传统靶点识别方法
- 3.2 现代靶点识别技术
- 4 靶点识别在药物发现中的应用
- 4.1 选择性药物设计
- 4.2 靶点验证与优化
- 5 靶点识别面临的挑战
- 5.1 生物复杂性
- 5.2 数据整合与分析
- 6 未来发展方向
- 6.1 人工智能与靶点识别
- 6.2 个性化药物开发
- 7 总结
1 引言
药物发现是一个复杂而系统的过程，涵盖了从靶点识别到药物开发的多个阶段。其中，靶点识别被视为药物发现的第一步，旨在确定与特定疾病相关的生物分子或通路，以便为后续的药物开发提供科学依据。靶点的有效识别不仅关乎药物的选择和开发，还对药物的安全性和有效性产生深远影响。随着生物技术和计算生物学的快速发展，靶点识别的技术手段也在不断演进，从传统的实验室筛选到现代的高通量筛选、基因组学、蛋白质组学和代谢组学等多种方法的结合，使得靶点识别的效率和准确性大幅提升[1]。
靶点识别的重要性在于，它为药物的作用机制提供了基础，帮助研究人员理解药物的作用路径及其潜在的毒性。这一过程不仅能够推动新药的开发，还为已有药物的重新利用提供了可能性[2]。然而，靶点识别的过程并非易事，传统方法通常耗时且劳动密集，这在一定程度上限制了药物发现的速度和效率[3]。近年来，人工智能和机器学习等新兴技术在靶点识别中的应用逐渐增多，这些技术能够分析大量数据，揭示复杂的生物网络，极大地提高了靶点识别的效率和准确性[4]。
当前，靶点识别的研究现状可以归纳为几个方面。首先，传统的靶点识别方法主要依赖于体外或体内实验，这些方法虽然有效，但往往面临高成本和长周期的问题[3]。其次，现代靶点识别技术的进步，尤其是在计算生物学和高通量筛选方面，正在改变这一局面。新技术的引入，如基于图的深度学习模型，已经显示出在靶点识别中的优越性[5]。此外，靶点的多样性和生物复杂性也为靶点识别带来了挑战，如何有效整合和分析来自不同来源的数据，成为研究者们亟待解决的问题[6]。
本报告将系统回顾靶点识别的基本概念，包括靶点的定义与分类及其在药物发现中的重要性。接下来，将讨论靶点识别的技术进展，分别介绍传统靶点识别方法和现代靶点识别技术的优缺点。随后，将重点分析靶点识别在药物发现中的具体应用，包括选择性药物设计及靶点验证与优化。最后，将探讨靶点识别面临的挑战，如生物复杂性和数据整合与分析问题，并展望未来的发展方向，包括人工智能与靶点识别的结合以及个性化药物开发的前景。
通过对靶点识别在药物发现中的角色进行深入分析，本文旨在为研究人员提供有价值的见解，帮助他们优化药物开发流程，提高新药研发的成功率。这一领域的持续研究将有助于推动新药的创新和应用，为人类健康作出更大贡献。
2 靶点识别的基本概念
2.1 靶点的定义与分类
靶点识别是药物发现过程中的一个基本步骤，扮演着至关重要的角色。靶点通常被定义为生物组织和体液中与药物相互作用的特定分子，尤其是蛋白质。这些靶点的识别不仅帮助研究人员理解药物的作用机制，还能揭示潜在的毒性和副作用，从而为药物重定位提供机会[2]。
在药物发现的早期阶段，靶点的选择和验证是成功开发新疗法的关键因素。靶点识别涉及确定和验证与疾病相关的生物分子，这些分子在疾病的发病机制中发挥重要作用[3]。靶点的分类可以依据其在生物过程中的功能、药物作用的机制以及其与疾病的相关性进行划分。例如，靶点可以是酶、受体、离子通道或转运蛋白等。
靶点识别的方法多种多样，主要可以分为亲和力基础的拉下法和无标记方法。亲和力基础的拉下法使用带有标签的小分子选择性地分离靶蛋白，而无标记方法则利用小分子在其自然状态下识别靶点[1]。此外，现代技术的发展，如计算机辅助的方法、多组学分析和基因编辑等，显著提高了靶点发现的效率，缩短了药物开发的周期，并降低了成本[3]。
靶点识别的有效性直接影响药物开发的成功率。通过整合多种数据来源和分析技术，研究人员能够更全面地理解药物与靶点之间的相互作用。这不仅有助于识别新的药物靶点，还能为临床应用提供理论基础[4]。例如，近年来的研究表明，利用代谢组学高通量筛选可以有效识别药物靶点，开辟了新的靶点识别路径[7]。
总之，靶点识别在药物发现中的作用不可小觑，它不仅为药物的选择提供了科学依据，也为新疗法的开发奠定了基础。随着技术的进步，靶点识别的方法和策略将继续演变，为未来的药物开发提供更多可能性。
2.2 靶点识别的重要性
靶点识别是药物发现过程中至关重要的一个环节，其核心作用在于确定与疾病相关的生物分子（通常是蛋白质），以便为新药的开发提供明确的目标。靶点识别的成功与否直接影响到后续药物的开发效率和成功率。
首先，靶点识别有助于理解药物的作用机制及其潜在的毒性。通过识别靶点，研究人员能够明确药物与其靶点之间的相互作用，从而更好地评估药物的疗效与安全性。此外，靶点识别还为药物重新利用提供了机会，即已有药物可以用于新的治疗领域，这在药物开发过程中尤为重要（Lyu et al., 2022）[2]。
靶点识别的研究方法主要分为两大类：亲和力拉下法和无标记方法。亲和力拉下法通过与小分子结合的标签选择性地分离靶蛋白，而无标记方法则利用小分子在其自然状态下识别靶点。这两种方法各有优缺点，研究者在选择时需根据具体项目的需求进行权衡（Tabana et al., 2023）[1]。
在现代药物发现中，靶点识别面临着传统方法的时间和资源消耗问题。因此，近年来兴起的人工智能（AI）技术为靶点识别提供了新的解决方案。AI能够分析大量数据和复杂的生物网络，从而提高靶点识别的效率，缩短药物开发周期（Pun et al., 2023）[4]。例如，DTGHAT模型通过异构图注意力变换器，结合多种生物分子数据，实现了对新靶点的有效识别，表现出比现有方法更高的准确性（Jiang et al., 2025）[5]。
此外，靶点识别还与药物可药性分析密切相关。有效的靶点识别不仅能加速药物开发过程，还能提高新药的成功率。研究表明，已批准药物靶点的进化和遗传信息能够促进靶点的识别（Zhang et al., 2024）[8]。在这方面，开发像GETdb这样的综合数据库，可以整合并标准化靶点相关数据，进一步促进新靶点的发现和验证（Zhang et al., 2024）[8]。
综上所述，靶点识别在药物发现中的角色不可或缺，其重要性体现在为药物开发提供明确的方向，促进药物作用机制的理解，提升药物开发的效率和成功率。随着新技术的不断发展，靶点识别的方法和工具也在不断演进，为未来药物发现开辟了新的可能性。
3 靶点识别的技术进展
3.1 传统靶点识别方法
靶点识别在药物发现中扮演着至关重要的角色，是新药开发过程中不可或缺的第一步。靶点识别的主要目的是确定与特定疾病相关的生物分子，通常是蛋白质，以便开发针对这些靶点的治疗药物。有效的靶点识别能够加速药物开发过程，提高药物发现的成功率。
传统的靶点识别方法通常依赖于体内或体外实验，这些方法虽然被广泛应用，但通常耗时且劳动密集。例如，早期的靶点发现过程往往需要数年到数十年的时间来验证潜在的靶点[3]。这种方法的局限性在于其效率低下，且往往无法满足快速发展的药物开发需求。因此，近年来出现了多种新兴的靶点识别技术，旨在提高靶点识别的效率和准确性。
传统的靶点识别方法主要包括亲和力拉下（affinity-based pull-down）和无标记方法（label-free methods）。亲和力拉下方法使用带有标签的小分子来选择性地分离靶蛋白，而无标记方法则利用小分子在其自然状态下识别靶标[1]。这两种方法各有优缺点，选择合适的靶点识别策略对于药物发现的成功至关重要。
随着技术的发展，现代靶点识别方法开始引入计算机辅助技术，如计算机辅助药物设计和多组学分析，这些新方法能够更快地处理大量数据，从而识别出潜在的靶点[4]。此外，人工智能（AI）在靶点识别中的应用也在不断增长，它能够分析复杂的生物网络和大规模数据集，显著提高靶点发现的效率[4]。
综上所述，靶点识别是药物发现过程中至关重要的环节，传统靶点识别方法虽然有效，但其效率和准确性受到限制。因此，现代技术的引入和新方法的发展将有助于加速药物发现过程，提高新药的开发成功率。
3.2 现代靶点识别技术
靶点识别在药物发现过程中扮演着至关重要的角色，其有效性直接影响到任何治疗的成功。靶点识别是药物发现和开发过程中的关键步骤，旨在识别和验证适合治疗干预的药物靶点。随着基因组学、蛋白质结构、蛋白质组学和疾病机制的进展，寻找新靶点和更有效地探索现有靶点的兴趣与努力显著增加[9]。
在靶点识别的过程中，研究人员采用了多种方法，包括基于亲和力的拉下法和无标记方法。基于亲和力的拉下法使用与标签结合的小分子选择性地分离靶蛋白，而无标记方法则利用小分子在其自然状态下识别靶点[1]。靶点识别策略的选择对于药物发现过程的成功至关重要，必须在确定如何最好地追求特定项目时仔细考虑[1]。
近年来，人工智能（AI）在靶点识别中的应用越来越受到关注。AI通过分析大数据集和复杂的生物网络，显著提高了靶点发现的效率，改变了传统靶点识别的方式。AI驱动的靶点探索取得了一些突破，越来越多的AI识别靶点通过实验验证，且一些AI衍生药物已进入临床试验[4]。
现代靶点识别技术的发展还包括集成多组学分析，这种方法逐渐取代了传统的单组学技术。集成多组学技术可以更全面地阐述药物与靶点之间的因果关系，并有助于识别复杂表型的产生机制[10]。这种方法结合了来自不同来源的生物分子数据，能够更有效地揭示药物-靶点相互作用[5]。
此外，网络基础的方法也被提出，以捕捉相关基因和蛋白质之间的关系，进一步提升靶点识别的能力。这些方法通过整合多种数据模式，能够更深入地理解人类疾病的复杂性，尽管目前仍面临一些限制[11]。
综上所述，靶点识别在药物发现中不仅是一个关键的初步步骤，还随着技术的进步而不断演变，采用了多种新兴技术和方法，以提高靶点发现的效率和准确性。这些进展为新药的开发和治疗策略的制定提供了重要的理论基础和实践指导。
4 靶点识别在药物发现中的应用
4.1 选择性药物设计
靶点识别在药物发现中扮演着至关重要的角色，是药物开发过程中的关键步骤之一。靶点识别的主要目的是确定疾病相关的生物分子，这些分子能够与药物相互作用，从而影响疾病的进程或病理状态。通过识别合适的靶点，研究人员可以深入理解药物的作用机制和潜在的毒性，同时为药物候选者的再利用提供机会[2]。
在药物发现过程中，靶点识别的有效性直接影响到治疗的成功率。靶点识别的传统方法通常需要耗费大量时间和资源，而现代技术的发展，尤其是计算生物学和化学生物学的进步，为靶点识别提供了新的视角和方法。利用这些新兴技术，研究人员能够更快速地筛选和验证靶点，提高药物发现的效率[1][4]。
靶点识别方法主要包括亲和力基础的拉下法和无标记方法。亲和力基础的方法使用小分子与标签结合，以选择性地分离目标蛋白；而无标记方法则利用小分子在其自然状态下识别靶点。这两种方法各有优缺点，选择合适的靶点识别策略对药物发现过程的成功至关重要[1]。
在选择性药物设计方面，靶点识别同样起着重要作用。通过准确识别和验证靶点，研究人员能够设计出具有特定选择性特征的药物分子。选择性药物设计旨在创造能够更精确地与特定靶点结合的化合物，从而减少非特异性作用和副作用。为此，研究人员可以利用结构信息和活性调节剂的结构-活性关系数据，通过定向的de novo药物设计方法，开发出高效且选择性强的药物[12]。
综上所述，靶点识别不仅是药物发现的基础步骤，也是实现选择性药物设计的关键环节。通过不断优化靶点识别的方法，研究人员能够加速新药的开发，提高其临床成功率，为患者提供更有效的治疗方案。
4.2 靶点验证与优化
靶点识别在药物发现中扮演着至关重要的角色，是整个药物开发流程的关键步骤之一。靶点识别的主要目标是确定疾病相关的生物分子，尤其是蛋白质，这些分子与药物相互作用并可能被药物调节。靶点的有效识别不仅能够推动新药的开发，还能够提高现有药物的重新利用率（如药物再开发）[2]。
在靶点识别过程中，研究者通常采用两种主要的方法：亲和力基础的拉下法和无标记方法。亲和力基础的拉下法利用与小分子结合的标签选择性地分离靶蛋白，而无标记方法则利用小分子在其自然状态下识别靶点[1]。这种选择策略对于成功的药物发现至关重要，因为不同的靶点识别方法具有各自的优缺点和局限性。
随着现代技术的发展，靶点识别的方法也在不断演进。例如，人工智能（AI）技术在靶点识别中的应用越来越广泛，它能够处理大量数据并分析复杂的生物网络，从而加速靶点的发现过程[4]。AI驱动的靶点发现方法不仅提高了效率，还缩短了药物开发的周期，降低了成本[3]。
靶点验证是靶点识别之后的重要步骤，目的是确认靶点与疾病之间的因果关系。验证过程通常包括在体内或体外实验中干扰靶点的功能，观察是否对疾病模型产生影响。靶点的有效性和生物学相关性直接影响药物开发的成功率[7]。此外，靶点优化也是一个不可或缺的环节，涉及对靶点的特性进行深入研究，以提高药物的选择性和有效性。
靶点识别、验证与优化是药物发现中不可分割的环节，它们共同构成了从基础研究到临床应用的桥梁。通过这些步骤，研究者能够识别出有潜力的药物靶点，从而为新药的开发奠定基础，最终推动临床治疗的进展[1][2][3]。
5 靶点识别面临的挑战
5.1 生物复杂性
靶点识别在药物发现中扮演着至关重要的角色。靶点识别是药物发现和开发过程中的关键初步步骤，直接影响药物开发的每一个环节。传统的靶点识别过程通常耗时长达数年，甚至数十年，且通常起始于学术环境[4]。药物通过与特定的生物靶点相互作用来发挥其功能，因此识别药物靶点不仅有助于深入理解药物的作用机制（MOA），还揭示了其潜在的治疗应用和副作用[13]。
然而，靶点识别面临着多重挑战，尤其是在复杂的生物系统中。现代药物发现往往依赖于单一靶点的概念，这种还原主义的方法可能忽视了生物体内的复杂性。许多疾病，如癌症和代谢紊乱，涉及多个遗传和环境因素，因此，寻找具有高临床成功潜力的药物靶点-药物组合变得极为复杂[14]。在这一背景下，网络生物学的视角逐渐被引入药物发现领域，强调生物靶点的相互作用和网络效应[15]。
生物复杂性体现在多个层面上。首先，许多药物靶点并非酶，而是依赖于蛋白质-蛋白质相互作用（PPIs）的调节、支架或结构蛋白，这些靶点的活性通常难以用传统的药物发现方法来预测[16]。其次，复杂的代谢网络在靶点干预时表现出不可预测的反应，导致药物候选者在临床试验阶段的高流失率[17]。因此，面对这种复杂性，药物发现需要采用多靶点药物的开发策略，即“多药理学”，以应对疾病网络的整体性和复杂性[18]。
此外，靶点识别的技术进步也为药物发现提供了新的机遇。量化化学蛋白组学、代谢标记和人工智能等新兴技术正在改变靶点识别的传统方法，显著提高了识别效率，缩短了开发周期[4][19]。然而，这些新技术在实际应用中仍面临准确性和可靠性的问题，特别是在靶点的非特异性结合方面[13]。
综上所述，靶点识别在药物发现中是一个至关重要但充满挑战的环节。生物复杂性要求研究者在靶点选择和药物设计中考虑多种因素，促进多靶点药物的开发，以提高药物的临床成功率和治疗效果。
5.2 数据整合与分析
靶点识别在药物发现过程中扮演着至关重要的角色，是开发新疗法的基础步骤之一。靶点识别的有效性直接影响药物开发的成功率。尽管靶点识别研究面临诸多挑战，但近年来多种新方法的出现为解决这些问题提供了新的视角和手段。
靶点识别的主要挑战之一是其复杂性。传统的靶点识别方法往往依赖于单一的实验生物测定，这些方法既耗时又费力，通常需要数年甚至数十年的时间才能完成（Tabana et al., 2023）。此外，单一的组学技术难以清晰地阐明药物与靶点之间的因果关系，尤其是在面对复杂的表型时，靶点的选择和验证变得尤为困难（Du et al., 2024）。这使得靶点识别成为药物发现过程中最具挑战性的环节之一。
在数据整合与分析方面，现代药物发现越来越依赖于集成多组学技术，这种方法逐渐取代了传统的单组学技术（Du et al., 2024）。通过大规模测序和高通量技术的发展，研究人员能够整合来自不同来源的数据，包括化学、基因组、表型和细胞网络等，从而更全面地识别潜在的药物靶点。例如，DTGHAT模型利用异构图注意力变换器，结合15个异构药物-基因-疾病网络，显著提高了靶点预测的准确性（Jiang et al., 2025）。
然而，现有的多组学分析方法仍然面临一些挑战，包括数据的复杂性和异质性，如何有效整合和分析来自不同组学层次的数据仍需进一步研究（Liu et al., 2024）。此外，随着人工智能（AI）技术的快速发展，AI在靶点识别中的应用日益广泛，能够通过分析大规模数据集和复杂的生物网络来提高靶点识别的效率（Pun et al., 2023）。
总的来说，靶点识别在药物发现中不仅是一个基础性步骤，还对整个药物开发过程的成功与否起着决定性作用。尽管面临诸多挑战，集成多组学技术和AI等新兴方法的应用为靶点识别提供了新的机遇，促进了药物发现的效率和准确性。
6 未来发展方向
6.1 人工智能与靶点识别
靶点识别在药物发现过程中扮演着至关重要的角色，它是药物研发的初始步骤之一，直接影响到药物开发的成功概率。靶点的选择和验证不仅影响药物的有效性，还对后续的药物设计、筛选和优化产生深远的影响。传统的靶点识别方法通常耗时长、成本高，可能需要数年甚至数十年的时间来完成[4]。
近年来，人工智能（AI）技术的引入为靶点识别带来了新的机遇。AI可以处理和分析大量的生物数据，帮助科学家识别潜在的药物靶点。具体而言，AI技术能够加速靶点识别过程，通过分析复杂的生物网络和数据集，发现潜在的靶点，从而提高药物发现的效率和成功率[20]。例如，AI驱动的药物靶点探索的突破，使得越来越多的AI识别的靶点通过实验验证，并且一些基于AI的药物已经进入临床试验阶段[4]。
靶点识别的有效性不仅取决于技术手段，还受到生物学知识的支持。科学家们正在不断探索新的细胞机制和分子，以扩展潜在的靶点范围。在癌症等复杂疾病的药物发现中，靶点的正确识别至关重要，影响着治疗策略的制定[20]。通过利用机器学习、深度学习等AI技术，研究人员能够更精确地识别和验证靶点，从而为药物开发提供更可靠的基础[1]。
未来，靶点识别的研究将继续朝着更加高效和智能化的方向发展。AI和机器学习技术将进一步推动靶点识别的自动化和智能化，尤其是在处理多靶点药物设计方面，AI可以帮助识别多个相互作用的靶点，进而设计出更具疗效的药物[21]。同时，随着生物信息学和计算生物学的发展，靶点识别将结合更丰富的生物数据，形成更加全面的靶点识别策略，为药物研发提供更强大的支持[22]。
总之，靶点识别在药物发现中的角色不可或缺，未来的发展方向将依赖于AI技术的进步和生物学知识的积累，推动药物研发的高效化和精准化。
6.2 个性化药物开发
靶点识别在药物发现过程中扮演着至关重要的角色。靶点识别的主要目的是确定与特定疾病相关的分子，并验证这些靶点在药物开发中的有效性。这一过程不仅涉及到对靶点的早期识别，还包括对其生物学功能的深入理解，这对于新药的开发至关重要[3]。
靶点识别的有效性直接影响到药物开发的成功率。传统的靶点识别方法往往耗时较长，通常需要数年甚至数十年才能完成，而现代技术的发展，如计算机辅助方法和高通量筛选，显著提高了靶点发现的效率。这些新兴技术的应用，不仅缩短了药物发现的周期，还降低了成本[1][4]。此外，靶点识别的策略选择对于药物发现的成功至关重要，需要根据具体项目的需求进行仔细考虑[1]。
在个性化药物开发的背景下，靶点识别的重要性愈加突出。随着对疾病生物学理解的加深，个体间的遗传差异、基因表达模式和微生物组的作用等因素，都会影响药物的疗效和安全性。因此，靶点识别不仅要关注靶点本身，还需要考虑个体化因素，从而开发出更具针对性的治疗方案[23]。
未来，靶点识别技术的发展可能会更加注重结合多组学数据、机器学习等先进方法，以提高靶点预测的准确性和可靠性。例如，利用基因扰动数据进行药物靶点预测的机器学习方法，已显示出在特定疾病中的有效性，并能够重新发现已知的药物靶点[24]。这种方法的灵活性为药物靶点的优先排序提供了独立的信息源，可能为个性化药物开发提供新的思路和方向。
总之，靶点识别在药物发现中的作用不可或缺，它不仅为新药的开发奠定基础，也为个性化治疗的实现提供了可能的路径。随着技术的不断进步，靶点识别的未来发展将会更加精准和高效，为应对复杂疾病提供更好的解决方案。
7 总结
靶点识别在药物发现中是一个至关重要的环节，其有效性直接影响药物开发的成功率。通过对靶点的有效识别，研究人员能够深入理解药物的作用机制和潜在的毒性，从而为新药的开发和已有药物的重新利用提供科学依据。尽管传统靶点识别方法面临时间和资源的消耗问题，现代技术的引入，尤其是人工智能和多组学分析的应用，正在显著提高靶点识别的效率和准确性。然而，靶点识别仍面临生物复杂性和数据整合与分析的挑战，未来的研究需要更加注重多靶点药物开发和个性化药物开发的结合，以应对复杂疾病的治疗需求。持续的技术创新和生物学知识的积累将推动靶点识别的进步，为药物发现带来更多可能性。
参考文献
- [1] Yasser Tabana;Dinesh Babu;Richard Fahlman;Arno G Siraki;Khaled Barakat. Target identification of small molecules: an overview of the current applications in drug discovery.. BMC biotechnology(IF=3.4). 2023. PMID:37817108. DOI: 10.1186/s12896-023-00815-4.
- [2] Peng Lyu;Kaili Jiang;Yuee Zhou;Jun Hu;Yu Chang;Zhang Zhang;Minhao Huang;Zhi-Min Zhang;Ke Ding;Piliang Hao;Ligen Lin;Zhengqiu Li. Proteome-wide Identification of Off-Targets of a Potent EGFRL858R/T790M Mutant Inhibitor.. ACS medicinal chemistry letters(IF=4.0). 2022. PMID:35178185. DOI: 10.1021/acsmedchemlett.1c00651.
- [3] Zi-Chang Jia;Xue Yang;Yi-Kun Wu;Min Li;Debatosh Das;Mo-Xian Chen;Jian Wu. The Art of Finding the Right Drug Target: Emerging Methods and Strategies.. Pharmacological reviews(IF=17.3). 2024. PMID:38866560. DOI: 10.1124/pharmrev.123.001028.
- [4] Frank W Pun;Ivan V Ozerov;Alex Zhavoronkov. AI-powered therapeutic target discovery.. Trends in pharmacological sciences(IF=19.9). 2023. PMID:37479540. DOI: 10.1016/j.tips.2023.06.010.
- [5] Xinchen Jiang;Lu Wen;Wenshui Li;Deng Que;Lu Ming. DTGHAT: multi-molecule heterogeneous graph transformer based on multi-molecule graph for drug-target identification.. Frontiers in pharmacology(IF=4.8). 2025. PMID:40356956. DOI: 10.3389/fphar.2025.1596216.
- [6] Hossam Nada;Sungdo Kim;Kyeong Lee. PT-Finder: A multi-modal neural network approach to target identification.. Computers in biology and medicine(IF=6.3). 2024. PMID:38636325. DOI: 10.1016/j.compbiomed.2024.108444.
- [7] Belinda B Garana;Nicholas A Graham. Metabolomics paves the way for improved drug target identification.. Molecular systems biology(IF=7.7). 2022. PMID:35194942. DOI: 10.15252/msb.202210914.
- [8] Qi Zhang;Yang He;Ya-Ping Lu;Qi-Hao Wei;Hong-Yu Zhang;Yuan Quan. GETdb: A comprehensive database for genetic and evolutionary features of drug targets.. Computational and structural biotechnology journal(IF=4.1). 2024. PMID:38616961. DOI: 10.1016/j.csbj.2024.04.006.
- [9] C J Zheng;L Y Han;C W Yap;Z L Ji;Z W Cao;Y Z Chen. Therapeutic targets: progress of their exploration and investigation of their characteristics.. Pharmacological reviews(IF=17.3). 2006. PMID:16714488. DOI: 10.1124/pr.58.2.4.
- [10] Peiling Du;Rui Fan;Nana Zhang;Chenyuan Wu;Yingqian Zhang. Advances in Integrated Multi-omics Analysis for Drug-Target Identification.. Biomolecules(IF=4.8). 2024. PMID:38927095. DOI: 10.3390/biom14060692.
- [11] Thodoris Koutsandreas;Kalliopi Tsafou;Heiko Horn;Ian Barrett;Evangelia Petsalaki. Network-Based Approaches for Drug Target Identification.. Annual review of biomedical data science(IF=6.0). 2025. PMID:40239307. DOI: 10.1146/annurev-biodatasci-101424-120950.
- [12] Thomas Fischer;Silvia Gazzola;Rainer Riedl. Approaching Target Selectivity by De Novo Drug Design.. Expert opinion on drug discovery(IF=4.9). 2019. PMID:31179763. DOI: 10.1080/17460441.2019.1615435.
- [13] Jigang Wang;Liqian Gao;Yew Mun Lee;Karunakaran A Kalesh;Yong Siang Ong;Jaehong Lim;Joo-Eun Jee;Hongyan Sun;Su Seong Lee;Zi-Chun Hua;Qingsong Lin. Target identification of natural and traditional medicines with quantitative chemical proteomics approaches.. Pharmacology & therapeutics(IF=12.5). 2016. PMID:26808165. DOI: .
- [14] J M Harrold;M Ramanathan;D E Mager. Network-based approaches in drug discovery and early development.. Clinical pharmacology and therapeutics(IF=5.5). 2013. PMID:24025802. DOI: 10.1038/clpt.2013.176.
- [15] E Viayna;I Sola;O Di Pietro;D Muñoz-Torrero. Human disease and drug pharmacology, complex as real life.. Current medicinal chemistry(IF=3.5). 2013. PMID:23410162. DOI: 10.2174/0929867311320130002.
- [16] Leah N Makley;Jason E Gestwicki. Expanding the number of 'druggable' targets: non-enzymes and protein-protein interactions.. Chemical biology & drug design(IF=3.3). 2013. PMID:23253128. DOI: 10.1111/cbdd.12066.
- [17] Marc K Hellerstein. Exploiting complexity and the robustness of network architecture for drug discovery.. The Journal of pharmacology and experimental therapeutics(IF=3.8). 2008. PMID:18202293. DOI: 10.1124/jpet.107.131276.
- [18] Zhaoping Xiong;Minji Jeon;Robert J Allaway;Jaewoo Kang;Donghyeon Park;Jinhyuk Lee;Hwisang Jeon;Miyoung Ko;Hualiang Jiang;Mingyue Zheng;Aik Choon Tan;Xindi Guo; ;Kristen K Dang;Alex Tropsha;Chana Hecht;Tirtha K Das;Heather A Carlson;Ruben Abagyan;Justin Guinney;Avner Schlessinger;Ross Cagan. Crowdsourced identification of multi-target kinase inhibitors for RET- and TAU- based disease: The Multi-Targeting Drug DREAM Challenge.. PLoS computational biology(IF=3.6). 2021. PMID:34520464. DOI: 10.1371/journal.pcbi.1009302.
- [19] Gang Li;Dengqin He;Xiaojia Cai;Wen Guan;Yali Zhang;Jia-Qiang Wu;Hongliang Yao. Advances in the development of phosphodiesterase-4 inhibitors.. European journal of medicinal chemistry(IF=5.9). 2023. PMID:36809706. DOI: 10.1016/j.ejmech.2023.115195.
- [20] Vishal Sharma;Amit Singh;Sanjana Chauhan;Pramod Kumar Sharma;Shubham Chaudhary;Astha Sharma;Omji Porwal;Neeraj Kumar Fuloria. Role of Artificial Intelligence in Drug Discovery and Target Identification in Cancer.. Current drug delivery(IF=3.0). 2024. PMID:37670704. DOI: 10.2174/1567201821666230905090621.
- [21] Anna Cichońska;Balaguru Ravikumar;Rayees Rahman. AI for targeted polypharmacology: The next frontier in drug discovery.. Current opinion in structural biology(IF=7.0). 2024. PMID:38215530. DOI: 10.1016/j.sbi.2023.102771.
- [22] Hongyu Chen;Dong Lu;Ziyi Xiao;Shensuo Li;Wen Zhang;Xin Luan;Weidong Zhang;Guangyong Zheng. Comprehensive applications of the artificial intelligence technology in new drug research and development.. Health information science and systems(IF=3.4). 2024. PMID:39130617. DOI: 10.1007/s13755-024-00300-y.
- [23] Ting-Ting Liu;Ke-Wu Zeng. Recent advances in target identification technology of natural products.. Pharmacology & therapeutics(IF=12.5). 2025. PMID:40015520. DOI: 10.1016/j.pharmthera.2025.108833.
- [24] Kai Zhao;Yujia Shi;Hon-Cheong So. Prediction of Drug Targets for Specific Diseases Leveraging Gene Perturbation Data: A Machine Learning Approach.. Pharmaceutics(IF=5.5). 2022. PMID:35213968. DOI: 10.3390/pharmaceutics14020234.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
靶点识别 · 药物发现 · 人工智能 · 技术进展 · 生物复杂性
© 2025 MaltSci 麦伴科研