論文の概要: Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts

• arxiv url: http://arxiv.org/abs/1912.12553v1
• Date: Sun, 29 Dec 2019 00:14:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 08:02:42.093944
• Title: Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts
• Title（参考訳）: 複合プロテイン親和性と接触の予測のための説明可能な深い関係ネットワーク
• Authors: Mostafa Karimi, Di Wu, Zhangyang Wang, Yang Shen
• Abstract要約: Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
• 参考スコア（独自算出の注目度）: 80.69440684790925
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting compound-protein affinity is critical for accelerating drug discovery. Recent progress made by machine learning focuses on accuracy but leaves much to be desired for interpretability. Through molecular contacts underlying affinities, our large-scale interpretability assessment finds commonly-used attention mechanisms inadequate. We thus formulate a hierarchical multi-objective learning problem whose predicted contacts form the basis for predicted affinities. We further design a physics-inspired deep relational network, DeepRelations, with intrinsically explainable architecture. Specifically, various atomic-level contacts or "relations" lead to molecular-level affinity prediction. And the embedded attentions are regularized with predicted structural contexts and supervised with partially available training contacts. DeepRelations shows superior interpretability to the state-of-the-art: without compromising affinity prediction, it boosts the AUPRC of contact prediction 9.5, 16.9, 19.3 and 5.7-fold for the test, compound-unique, protein-unique, and both-unique sets, respectively. Our study represents the first dedicated model development and systematic model assessment for interpretable machine learning of compound-protein affinity.
• Abstract（参考訳）: 化合物タンパク質親和性の予測は、薬物発見の加速に重要である。 機械学習による最近の進歩は正確性に重点を置いているが、解釈性にはあまり期待できない。 分子間の親和性によって、我々の大規模解釈可能性評価は、一般的に使用される注意機構が不十分であることがわかった。 そこで,予測接触が予測親和性の基礎となる階層型多目的学習問題を定式化する。 さらに、物理に着想を得たディープリレーショナルネットワークDeepRelationsを、本質的に説明可能なアーキテクチャで設計する。 具体的には、様々な原子レベルの接触や「関係」は分子レベルの親和性予測につながる。 そして、組み込みの注意は予測された構造的コンテキストで規則化され、部分的に利用可能なトレーニングコンタクトで監督される。 親和性予測を損なうことなく、auprc of contact prediction 9.5, 16.9, 19.3, 5.7-fold for the test, compound-unique, protein-unique, and both-unique setをそれぞれ促進させる。 本研究は,複合タンパク質親和性の解釈可能な機械学習のための,最初の専用モデル開発と体系モデル評価である。

関連論文リスト

• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands [9.135203550164833]
  現状のモデルは、新しい構造への一般化に失敗することを示す。 ネットワークベースのサンプリング戦略と教師なし事前トレーニングを組み合わせたパイプラインであるAI-Bindを紹介する。 我々は,SARS-CoV-2ウイルスタンパク質に結合した薬剤や天然化合物を予測し,AI-Bindの価値を説明する。
  論文  参考訳（メタデータ） (2021-12-25T01:52:58Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• High throughput screening with machine learning [18.152525914196993]
  本研究では,分子結合親和性の予測における機械学習手法の有効性を評価する。 モデルは、タンパク質と小さな有機分子のペアのための阻害定数$K_i$の点で結合親和性を予測するように訓練された。
  論文  参考訳（メタデータ） (2020-12-15T13:19:03Z)
• Unsupervised and Supervised Structure Learning for Protein Contact Prediction [11.634916254630884]
  本稿では, トポロジ制約付き教師なしグラフィカルモデルを用いて, 接触予測の確立方法について紹介する。 教師付き深層学習法を用いて、接触予測の精度をさらに高める方法について説明する。 本稿では,接触予測の新規性を測定するための多様性スコアと呼ばれるスコアリングシステムと,新しいスコアリングシステムに関して接触を予測するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-31T22:37:16Z)
• PIGNet: A physics-informed deep learning model toward generalized drug-target interaction predictions [0.0]
  DTIモデルの一般化を促進するための2つの重要な戦略を提案する。 1つ目は、ニューラルネットワークでパラメータ化された物理インフォームド方程式を用いて原子-原子対相互作用を予測することである。 さらに,バインドポーズの幅を拡大し,より広いトレーニングデータに拡張することで,モデル一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-08-22T14:29:58Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。