GABA受体相关蛋白质-蛋白质相互作用网络数据集

该数据集由武汉纺织大学和密歇根州立大学的研究团队创建，主要围绕GABA受体相关的蛋白质-蛋白质相互作用网络展开。数据集包含24个GABA受体亚型的蛋白质相互作用网络，涉及4824个蛋白质，经过去重后得到980个蛋白质，最终筛选出136个目标蛋白质的抑制剂数据。数据集来源于ChEMBL数据库，包含183,250个抑制剂化合物。研究团队通过机器学习模型对这些化合物进行了结合亲和力预测、副作用评估和药物再利用潜力分析。该数据集的应用领域主要集中在麻醉药物的开发，旨在通过优化现有麻醉药物的结构和筛选新的候选药物，减少副作用并提高药物的安全性和有效性。This dataset was constructed by research teams from Wuhan Textile University and Michigan State University, focusing primarily on protein-protein interaction networks associated with GABA receptors. It encompasses protein-protein interaction networks for 24 GABA receptor subtypes, involving 4,824 total proteins. After deduplication, 980 unique proteins were retained, and inhibitor data for 136 target proteins were finally screened out. The dataset is sourced from the ChEMBL database and contains 183,250 inhibitor compounds. The research teams performed binding affinity prediction, side effect evaluation, and drug repurposing potential analysis for these compounds using machine learning models. The main application field of this dataset lies in the development of anesthetic drugs, with the goal of optimizing the structures of existing anesthetics and screening novel drug candidates, so as to reduce side effects and enhance drug safety and efficacy.

搜集汇总

数据集介绍

构建方式

GABA受体相关蛋白质-蛋白质相互作用网络数据集的构建基于24种GABA受体亚型的蛋白质相互作用网络，涵盖了超过4000种蛋白质和150万种已知结合化合物。通过从ChEMBL数据库中收集实验结合亲和力数据，并结合自然语言处理模型（如预训练变压器和自编码器嵌入），生成了136个目标的药物-靶点相互作用网络。为确保预测的可靠性，数据集筛选条件包括抑制剂化合物需为人类单蛋白，且最小训练样本数大于250。最终，从980个目标中筛选出136个目标，构建了包含183,250种抑制剂化合物的数据集。

特点

该数据集的特点在于其广泛的覆盖范围和高质量的数据筛选。数据集不仅涵盖了24种GABA受体亚型的蛋白质相互作用网络，还通过严格的筛选条件确保了数据的可靠性和代表性。此外，数据集结合了多种机器学习算法，能够有效预测化合物的结合亲和力、副作用和再利用潜力。数据集的另一个显著特点是其多目标预测能力，能够评估化合物对多个蛋白质的交叉结合亲和力，从而为药物设计和优化提供了全面的支持。

使用方法

该数据集的使用方法主要包括药物筛选和再利用。通过机器学习模型，研究人员可以预测化合物对GABA受体的结合亲和力，并评估其潜在的副作用和再利用价值。具体步骤包括：首先，使用预训练的分子嵌入模型生成化合物的分子指纹；其次，结合支持向量机等机器学习算法构建预测模型；最后，通过交叉验证和ADMET（吸收、分布、代谢、排泄和毒性）筛选，识别出具有潜在治疗价值的化合物。此外，数据集还可用于现有药物的分子优化，以减少副作用并提高药效。

背景与挑战

背景概述

GABA受体相关蛋白质-蛋白质相互作用网络数据集由武汉纺织大学非线性科学研究中心、密歇根州立大学等机构的研究团队于2025年创建，旨在通过蛋白质组学学习探索新型麻醉药物的开发。该数据集基于24种GABA受体亚型的蛋白质-蛋白质相互作用（PPI）网络，涵盖了超过4000种蛋白质和150万种已知结合化合物。研究团队通过构建药物-靶点相互作用网络，筛选出潜在的先导化合物，并结合机器学习算法，评估了超过18万种药物候选物的副作用和再利用潜力。该数据集为麻醉药物的开发提供了新的策略，推动了麻醉学领域的精准医疗发展。

当前挑战

GABA受体相关蛋白质-蛋白质相互作用网络数据集在构建和应用中面临多重挑战。首先，麻醉药物的开发需要解决药物副作用和个体差异问题，现有麻醉药物常伴随呼吸抑制、心血管问题等副作用，且患者对药物的反应存在显著差异。其次，数据集的构建依赖于复杂的蛋白质相互作用网络和药物-靶点相互作用预测，如何从海量数据中筛选出具有高特异性和低副作用的化合物是一个技术难题。此外，机器学习模型的预测精度依赖于高质量的训练数据，而蛋白质相互作用数据的稀缺性和复杂性增加了模型训练的难度。最后，如何将实验室中的预测结果转化为临床可用的麻醉药物，仍需进一步的实验验证和优化。

常用场景

经典使用场景

GABA受体相关蛋白质-蛋白质相互作用网络数据集在麻醉药物研发中具有重要应用。通过构建GABA受体亚型的蛋白质-蛋白质相互作用（PPI）网络，研究者能够系统性地分析药物与GABA受体的相互作用机制，识别潜在的药物靶点及其副作用。该数据集结合了超过4000个蛋白质和150万已知结合化合物，为麻醉药物的虚拟筛选和优化提供了丰富的数据支持。通过机器学习算法，研究者能够预测药物的结合亲和力、副作用及再应用潜力，从而加速新型麻醉药物的开发。

解决学术问题

该数据集解决了麻醉药物研发中的多个关键学术问题。首先，它通过构建GABA受体的PPI网络，揭示了药物与受体之间的复杂相互作用机制，帮助研究者理解麻醉药物的作用靶点及其潜在的副作用。其次，通过机器学习模型，数据集能够预测药物的结合亲和力、副作用及再应用潜力，从而优化药物设计，减少临床试验中的失败率。此外，该数据集还为药物再应用提供了新的思路，通过筛选已有药物库，发现具有麻醉潜力的化合物，显著降低了药物研发的成本和时间。

衍生相关工作

GABA受体相关蛋白质-蛋白质相互作用网络数据集衍生了许多相关研究工作。首先，基于该数据集，研究者开发了多种机器学习模型，用于预测药物的结合亲和力、副作用及再应用潜力。这些模型在麻醉药物研发中得到了广泛应用，显著提高了药物筛选的效率和准确性。其次，该数据集还推动了药物再应用研究的发展，通过筛选已有药物库，发现具有麻醉潜力的化合物，为麻醉药物的开发提供了新的思路。此外，该数据集还为蛋白质-蛋白质相互作用网络的构建和分析提供了新的方法，推动了蛋白质组学在麻醉研究中的应用。