时间：8月16日 8:20-12:30

地点：文津楼3427（腾讯会议号958918061）

主办单位：8087金沙娱场城

报告一题目：Artificial Intelligence for Drug Repositioning

报告人：吴方向 

摘要：

In the pharmaceutical industry, it typically takes over ten years with about 1 billion US dollars to put a new drug on the market. Drug repositioning approaches are proposed to identify novel treatments for existing drugs in order to save time, reduce cost, and improve the possibility of success as the safety and other properties of existing drugs have been studied clearly. However, the traditional drug repositioning approaches are still costly and time consuming. Recently, artificial intelligence(AI) approaches for drug repositioning are becoming an attractive choice. In this talk, after some brief introductions to AI and drug repositioning, I will mainly present some of research work from my group in the areas of drug repositioning. Specifically, I will talk about several signature-based methods, tensor decomposition methods and graph convolution neural networks with multiple kernels.

报告人介绍:

Dr FangXiang Wu is currently a full professor in the Departments of Computer Science, Biomedical Engineering, and Mechanical Engineering at the University of Saskatchewan. He was a guest chair professor (as a Tianjin Special Expert) in School of Mathematical Sciences, Nankai University (2014-2016) and was a guest professor (as a State Special Expert) of School of Computer Science and Engineering, Central South University (2016-2020). His research interests include Artificial Intelligence, Machine/Deep Learning, Computational Biology, Health Informatics, Medical Image Analytics, and Complex Network Analytics. Dr. Wu has published about 350 journal papers (more than 80 on IEEE transactions), and more than 130 conference papers.  His total google scholar citations are about 13000, h-index is 57 and i10-index is about 240 (dated on August 5, 2023). He is among top 2% world’s scientists ranked by Stanford University. Dr Wu is serving as the editorial board member of several international journals and as the guest editor of numerous international journals, and as the program committee chair or member of many international conferences. He is an IEEE senior member.

报告二题目：知识与视觉驱动的药物发现

报告人：曾湘祥 

摘要:

生物医药常常面临小样本问题，人类知识和预训练大模型是解决这一问题的可能途径。本次报告将介绍湖南大学DrugAI课题组在知识图谱、分子视觉大模型方面的工作，以及在药物重定位、药物组合、抗菌肽发现等领域的应用。

报告人介绍:

曾湘祥，教授、博士生导师，国家级青年人才。入选科睿维安“全球高被引科学家”名单，爱思唯尔“中国高被引学者”名单，斯坦福大学发布的“全球前2%顶尖科学家”榜单。获2019年吴文俊人工智能优秀青年奖，2020年亚马逊机器学习研究奖。近年来在Nature子刊（如自然机器智能、自然通讯）、Cell子刊、ICML、AAAI、IJCAI等期刊和会议发表论文100余篇。获IMCS2020年度最佳论文奖，ACMC2019国际会议最佳论文奖。成果入选世界人工智能大会“卓越引领者奖”榜单。创办的DrugAI公众号入选中国“学术媒体公众号Top10”。

报告三题目：蛋白质结合位点预测及结合小分子智能设计

报告人：涂仕奎 

摘要:

蛋白质结合位点预测是药物发现和设计的重要前提任务。蛋白质结构上的结合位点非常小，不规则且形状各异，这使得结合位点的预测非常具有挑战性。已有的方法常采用标准的3D U-Net预测结合位点，但预测结果不理想、不完整、越界，甚至失败。原因是该方案提取整个区域的化学相互作用的能力较差，并且几乎没有考虑到分割复杂形状的难度。在此基础上，我们提出了一系列改进的深度双向学习模型，增强对蛋白质结构和靶点口袋的几何信息、化学信息的特征表示能力，实现对不确定区域的逐步自导向细化获得更精确的预测性能。最后，我们汇报一个根据蛋白质结构从头设计小分子的机器学习模型，展示人工智能在药物设计方面的潜力。

报告人介绍:

涂仕奎，教授，博士生导师，国家级青年人才，认知机器与计算健康(CMaCH)研究中心主任助理。2006年于北京大学数学科学学院获本科学位，2012年于香港中文大学计算机科学与工程系获博士学位，2012年11月-2017年1月间，任美国麻省大学（伍斯特校区）博士后研究员。研究方向为机器学习、生物信息学、药物设计等，发表论文在Science、Cell、Nature Communications等高水平期刊以及IJCAI、AAAI、ICML等CCF-A/B类会议期刊80余篇。任中国计算机学会生物信息学专委会委员，担任Frontiers in Genetics、Methods期刊客座编委，及IJCAI/AAAI/ICML/NeurIPS等多个顶级人工智能国际会议的程序委员会委员。主持国家自然科学基金委青年/面上项目，参与科技部科技创新2030-新一代人工智能重大项目、上海市科委人工智能重大项目等。

报告四题目：Kernel方法在药物-靶标相互作用识别中的应用

报告人：丁漪杰

摘要:

靶向药物已大规模应用于癌症的治疗，对患者具有一定的治疗效果。通过生物化学实验检测药物-靶标相互作用（drug-target interactions，DTIs）是一项耗时的任务。目前，机器学习方法已广泛应用于大规模药物筛选。本课题组提出了一系列基于核学习的DTIs关联网络预测方法。多核学习的引入，一定程度上解决了异构网络的融合问题。与其他计算方法相比，我们的模型在多个基准数据集上具有更好的性能。

报告人介绍:

丁漪杰，副研究员，博士生导师，于2018年毕业于天津大学计算机学院，获博士学位，研究方向为生物信息学，包括：药物靶标预测，药物副作用预测，蛋白质/DNA/RNA序列分析。近年来，在相关领域发表多篇论文，包括： IEEE TFS, IEEE/ACM TCBB, IEEE TAI, IEEE JBHI, Information Fusion, Neural Networks, Information Sciences, Briefings in Bioinformatics等。主持和参与多项国家自然科学基金和省级项目。曾获得天津市自然科学二等奖，中国发明协会发明创新奖一等奖，浙江省生物信息学学会自然科学二等奖等。