我们的工作通常从揭示药物的作用机制 (MOA) 开始。为此，我们利用Cortellis 解决方案MetaBase TM中的信息，该解决方案是手动注释的分子相互作用、途径和疾病生物标志物的数据库。，在药物发现计算生物学方法(CBDD) 联盟内实施，以了解哪些蛋白质、基因和途径与药物反应有关。
我们的团队包括 OMICS 数据分析专家（即蛋白质组学、转录组学、单细胞）。通过整合不同的数据源（多癌症数据库和临床数据），我们可以评估靶标表达与癌症亚型、疾病分期和其他临床参数之间的关联，从而生成更有可能从调节靶标活性中受益的癌症类型的排序列表。
机器学习技术也可以成为指示优先级排序的有力工具：
机器学习算法可以分析大型数据集，根据观察到的特征（例如药物-疾病对或疾病 OMIC 数据）来识别模式和关系。
当可用数据量很大时，深度学习可以对数据进行高级抽象建模，提供更深刻的见解。
矩阵分解可用于通过将药物-疾病相互作用矩阵分解为低维矩阵来预测药物对特定疾病的潜在有效性。
这些技术使我们能够筛选大量生物医学数据，预测药物靶标相互作用，并最终确定有希望的药物再利用机会。为了提高透明度，我们使用可解释的驱动因素将资产与疾病生物学联系起来。此外，详细的疾病注释允许灵活的过滤策略。这种方法提高了适应症优先级排序工作流程的清晰度和适应性。
这些计算方法还可用于预测药物协同作用，即两种或多 阿富汗资源 种药物相互作用，产生的治疗效果大于每种药物单独治疗效果的总和。可以利用不同类型的数据来实现这一目的：
OMICs 数据：可以使用系统生物学方法预测针对互补途径的药物之间的协同作用。
高通量细胞系实验，例如阿斯利康共享的DREAM 挑战数据集。机器学习和深度学习可以从这些实验中学习模式并对尚未测试的组合做出预测。
知识图谱是人工智能和语义网技术中使用的一种功能强大的数据结构。它们模拟了现实世界实体及其相互关系的网络，例如已知的药物间或药物-靶标相互作用。
寻找有效的药物组合对肿瘤学至关重要，因为肿瘤具有异质性，这可能导致对治疗的反应不同，一些细胞对某种药物敏感，而另一些细胞则可能具有抗药性。药物组合可以针对肿瘤的多个弱点，提高治疗的整体效果。此外，使用药物组合可以帮助预防或延缓耐药性的产生。