综述: 串联质谱寡糖结构解析方法评介

糖组学的研究与发展对生命科学及生物医药的发展具有重要的推动作用．寡糖结构的解析是糖组学中重要的研究课题之一．串联质谱分析技术以其具有高特异性及高灵敏度的特点成为了广为使用的寡糖结构解析方法．本文首先概述了串联质谱寡糖结构解析的研究背景;然后介绍了现有的寡糖结构解析策略及基于每种策略的经典解析方法,并对所列方法的原理和算法进行逐一分析讨论;最后,总结现有方法的优缺点,对串联质谱寡糖结构研究领域进行了研究展望．     

深度学习在药物活性预测研究中的应用

药物从研发到临床应用需要耗费较长的时间，研发期间的投入成本可高达十几亿元。而随着医药研发与人工智能的结合以及生物信息学的飞速发展，药物活性相关数据急剧增加，传统的实验手段进行药物活性预测已经难以满足药物研发的需求。借助算法来辅助药物研发，解决药物研发中的各种问题能够大大推动药物研发进程。传统机器学习方法尤其是随机森林、支持向量机和人工神经网络在药物活性方面能够达到较高的预测精度。深度学习由于具有多层神经网络，模型可以接收高维的输入变量且不需要人工限定数据输入特征，可以拟合较为复杂的函数模型，应用于药物研发可以进一步提高各个环节的效率。在药物活性预测中应用较为广泛的深度学习模型主要是深度神经网络（deep neural networks，DNN）、循环神经网络（recurrent neural networks，RNN）和自编码器（auto encoder，AE），而生成对抗网络（generative adversarial networks，GAN）由于其生成数据的能力常常被用来和其他模型结合进行数据增强。近年来深度学习在药物分子活性预测方面的研究和应用综述表明，深度学习模型的准确度和效率均高于传统实验方法和传统机器学习方法。因此，深度学习模型有望成为药物研发领域未来十年最重要的辅助计算模型。