論文の概要: DeepGS: Deep Representation Learning of Graphs and Sequences for
Drug-Target Binding Affinity Prediction
- arxiv url: http://arxiv.org/abs/2003.13902v2
- Date: Fri, 3 Apr 2020 07:28:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 01:50:44.340402
- Title: DeepGS: Deep Representation Learning of Graphs and Sequences for
Drug-Target Binding Affinity Prediction
- Title(参考訳): DeepGS:ドラッグターゲット結合親和性予測のためのグラフとシーケンスの深部表現学習
- Authors: Xuan Lin
- Abstract要約: 本稿では、ディープニューラルネットワークを用いて、アミノ酸やSMILES配列から局所的な化学コンテキストを抽出する、DeepGSと呼ばれる新しいエンドツーエンド学習フレームワークを提案する。
我々は提案手法を,KronRLS,Sim,DeepDTA,DeepCPIといった最先端モデルと比較するための広範な実験を行った。
- 参考スコア(独自算出の注目度): 8.292330541203647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately predicting drug-target binding affinity (DTA) in silico is a key
task in drug discovery. Most of the conventional DTA prediction methods are
simulation-based, which rely heavily on domain knowledge or the assumption of
having the 3D structure of the targets, which are often difficult to obtain.
Meanwhile, traditional machine learning-based methods apply various features
and descriptors, and simply depend on the similarities between drug-target
pairs. Recently, with the increasing amount of affinity data available and the
success of deep representation learning models on various domains, deep
learning techniques have been applied to DTA prediction. However, these methods
consider either label/one-hot encodings or the topological structure of
molecules, without considering the local chemical context of amino acids and
SMILES sequences. Motivated by this, we propose a novel end-to-end learning
framework, called DeepGS, which uses deep neural networks to extract the local
chemical context from amino acids and SMILES sequences, as well as the
molecular structure from the drugs. To assist the operations on the symbolic
data, we propose to use advanced embedding techniques (i.e., Smi2Vec and
Prot2Vec) to encode the amino acids and SMILES sequences to a distributed
representation. Meanwhile, we suggest a new molecular structure modeling
approach that works well under our framework. We have conducted extensive
experiments to compare our proposed method with state-of-the-art models
including KronRLS, SimBoost, DeepDTA and DeepCPI. Extensive experimental
results demonstrate the superiorities and competitiveness of DeepGS.
- Abstract(参考訳): サイリコにおける薬物-標的結合親和性(DTA)の正確な予測は、薬物発見の鍵となる課題である。
従来のdta予測手法のほとんどはシミュレーションベースであり、ドメイン知識やターゲットの3d構造を持つという仮定に大きく依存している。
一方、従来の機械学習ベースの方法は、様々な特徴と記述子を応用し、単に薬と標的のペアの類似性に依存する。
近年,様々な領域における親和性データ量の増加と深層表現学習モデルの成功により,dta予測にディープラーニング技術が適用されている。
しかし、これらの手法はアミノ酸とSMILES配列の局所的な化学的文脈を考慮せずに、ラベル/ワンホットエンコーディングまたは分子のトポロジカル構造を考察する。
そこで本研究では,深層ニューラルネットワークを用いて,アミノ酸やスマイル配列から局所的な化学的コンテクストを抽出し,その分子構造を薬物から抽出する,新しいエンドツーエンド学習フレームワークdeepgsを提案する。
シンボルデータの操作を支援するため,高度埋め込み技術(Smi2VecとProt2Vec)を用いて,アミノ酸およびSMILES配列を分散表現に符号化する手法を提案する。
一方,本研究では,分子構造モデリング手法を提案する。
我々は提案手法を,KronRLS,SimBoost,DeepDTA,DeepCPIなどの最先端モデルと比較するための広範な実験を行った。
DeepGSの優位性と競争性を示す大規模な実験結果が得られた。
関連論文リスト
- Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳(メタデータ) (2024-11-03T01:56:15Z) - Otter-Knowledge: benchmarks of multimodal knowledge graph representation
learning from different sources for drug discovery [5.913390277336069]
マルチモーダルな知識グラフのセットをリリースし、7つの公開データソースからのデータを統合し、3000万以上のトリプルを含む。
我々の目的は、マルチモーダルな知識によってタンパク質/分子の埋め込みが予測タスクをどのように改善するかを研究するために、さらなる研究を促進することである。
論文 参考訳(メタデータ) (2023-06-22T11:01:41Z) - HD-Bind: Encoding of Molecular Structure with Low Precision,
Hyperdimensional Binary Representations [3.3934198248179026]
超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。
本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
論文 参考訳(メタデータ) (2023-03-27T21:21:46Z) - ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip
Connections [0.0]
本稿では,DT結合親和性を予測するための深層学習手法を提案する。
提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
論文 参考訳(メタデータ) (2023-03-20T20:27:11Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Hierarchical Graph Representation Learning for the Prediction of
Drug-Target Binding Affinity [7.023929372010717]
本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。
本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
論文 参考訳(メタデータ) (2022-03-22T04:50:16Z) - MoleHD: Ultra-Low-Cost Drug Discovery using Hyperdimensional Computing [2.7462881838152913]
分子特性予測のための脳誘発超次元計算(HDC)に基づくMoleHDを提案する。
MoleHDは、ランダムスプリットとスキャフォールドスプリットで、平均3つのデータセットでROC-AUCスコアを達成している。
私たちの知る限りでは、この方法が初めてHDCベースの薬物発見法である。
論文 参考訳(メタデータ) (2021-06-05T13:33:21Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z)
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。