論文の概要: DeepSIBA: Chemical Structure-based Inference of Biological Alterations

• arxiv url: http://arxiv.org/abs/2004.01028v1
• Date: Wed, 1 Apr 2020 16:29:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 18:26:42.230942
• Title: DeepSIBA: Chemical Structure-based Inference of Biological Alterations
• Title（参考訳）: DeepSIBA:化学構造に基づく生物変化の推測
• Authors: C. Fotis, N. Meimetis, A. Sardis and L.G. Alexopoulos
• Abstract要約: 我々は、複合構造をグラフとして表現し、それらの生物学的フットプリントにリンクする深層学習モデルを開発する。 提案したモデルでは、化学構造から新しい表現を学習し、構造的に異なる化合物を同定することができた。 本稿では,複合摂動による信号伝達経路を推定するために,訓練されたモデルを用いた新しい推論手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting whether a chemical structure shares a desired biological effect can have a significant impact for in-silico compound screening in early drug discovery. In this study, we developed a deep learning model where compound structures are represented as graphs and then linked to their biological footprint. To make this complex problem computationally tractable, compound differences were mapped to biological effect alterations using Siamese Graph Convolutional Neural Networks. The proposed model was able to learn new representations from chemical structures and identify structurally dissimilar compounds that affect similar biological processes with high precision. Additionally, by utilizing deep ensembles to estimate uncertainty, we were able to provide reliable and accurate predictions for chemical structures that are very different from the ones used during training. Finally, we present a novel inference approach, where the trained models are used to estimate the signaling pathways affected by a compound perturbation in a specific cell line, using only its chemical structure as input. As a use case, this approach was used to infer signaling pathways affected by FDA-approved anticancer drugs.
• Abstract（参考訳）: 化学構造が所望の生物学的効果を持つかどうかを予測することは、初期の薬物発見におけるin-silico化合物のスクリーニングに大きな影響を与える可能性がある。 本研究では,複合構造をグラフとして表現し,その生物足跡と関連づけた深層学習モデルを開発した。 この複雑な問題を計算可能なものにするために、シアムグラフ畳み込みニューラルネットワークを用いて生体効果変化に複合差をマッピングした。 提案モデルは、化学構造から新しい表現を学習し、類似した生物学的過程に高い精度で影響を及ぼす構造的に異なる化合物を同定することができた。 さらに, 深層アンサンブルを用いて不確実性を推定することにより, トレーニング中に使用するものとは大きく異なる, 信頼性が高く正確な化学構造予測を行うことができた。 最後に, その化学構造のみを入力として, 特定の細胞系における化合物摂動によって影響を受けるシグナル伝達経路を, 学習モデルを用いて推定する新しい推論手法を提案する。 この手法は、FDAが承認した抗がん剤によるシグナル伝達経路の推測に用いられた。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• NeuralCRNs: A Natural Implementation of Learning in Chemical Reaction Networks [0.0]
  決定論的化学反応ネットワーク(CRN)の集合体として構築された新しい教師あり学習フレームワークを提案する。 従来の作業とは異なり、NeuralCRNsフレームワークは動的システムベースの学習実装に基づいており、結果として化学的に互換性のある計算が行われる。
  論文  参考訳（メタデータ） (2024-08-18T01:43:26Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• 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)
• Predicting Molecule-Target Interaction by Learning Biomedical Network and Molecule Representations [10.128856077021625]
  本稿では,生物医学的ネットワークトポロジと分子構造・化学情報の両方を表現として学習し,与えられた分子と標的対の潜在的な相互作用を予測する,擬似システマグラフニューラルネットワーク手法 MTINet+ を提案する。 異なる分子標的相互作用タスクの実験では、MTINet+は最先端のベースラインよりも著しく優れていた。
  論文  参考訳（メタデータ） (2023-02-02T10:00:46Z)
• 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)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Ligandformer: A Graph Neural Network for Predicting Compound Property with Robust Interpretation [20.16601582415929]
  Ligandformerは、解釈による複合プロパティの予測のための自己アテンションベースのグラフニューラルネットワークフレームワークである。 本フレームワークは, 精度, 堅牢性, 一般化の点で性能が優れており, 複雑なシステム研究に応用できる。
  論文  参考訳（メタデータ） (2022-02-21T15:46:44Z)
• Semi-Supervised GCN for learning Molecular Structure-Activity Relationships [4.468952886990851]
  そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。 最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T09:09:43Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)
• A semi-supervised learning framework for quantitative structure-activity regression modelling [0.0]
  本研究では, テスト化合物とトレーニングデータとの類似性を考慮した予測を行い, レポート選択バイアスの調整を行うことが可能であることを示す。 この手法について,GlaxoSmithKline が報告した大規模化合物の集合に関する公開構造活性データを用いて述べる。
  論文  参考訳（メタデータ） (2020-01-07T07:56:49Z)

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。