論文の概要: BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions

• arxiv url: http://arxiv.org/abs/2101.12547v1
• Date: Fri, 29 Jan 2021 12:53:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:21:51.480205
• Title: BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions
• Title（参考訳）: BridgeDPI: 薬物とタンパク質の相互作用を予測する新しいグラフニューラルネットワーク
• Authors: Yifan Wu, Min Gao, Min Zeng, Feiyang Chen, Min Li and Jie Zhang
• Abstract要約: 本稿では,新しいディープラーニングフレームワークであるBridgeDPIを提案する。 ハイパーノードと呼ばれるノードのクラスを導入し、PPAやDDAとして機能するさまざまなタンパク質/薬物を橋渡しします。 3つの実世界のデータセットにおいて、BridgeDPIが最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 18.242888464394575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivation: Exploring drug-protein interactions (DPIs) work as a pivotal step in drug discovery. The fast expansion of available biological data enables computational methods effectively assist in experimental methods. Among them, deep learning methods extract features only from basic characteristics, such as protein sequences, molecule structures. Others achieve significant improvement by learning from not only sequences/molecules but the protein-protein and drug-drug associations (PPAs and DDAs). The PPAs and DDAs are generally obtained by using computational methods. However, existing computational methods have some limitations, resulting in low-quality PPAs and DDAs that hamper the prediction performance. Therefore, we hope to develop a novel supervised learning method to learn the PPAs and DDAs effectively and thereby improve the prediction performance of the specific task of DPI. Results: In this research, we propose a novel deep learning framework, namely BridgeDPI. BridgeDPI introduces a class of nodes named hyper-nodes, which bridge different proteins/drugs to work as PPAs and DDAs. The hyper-nodes can be supervised learned for the specific task of DPI since the whole process is an end-to-end learning. Consequently, such a model would improve prediction performance of DPI. In three real-world datasets, we further demonstrate that BridgeDPI outperforms state-of-the-art methods. Moreover, ablation studies verify the effectiveness of the hyper-nodes. Last, in an independent verification, BridgeDPI explores the candidate bindings among COVID-19's proteins and various antiviral drugs. And the predictive results accord with the statement of the World Health Organization and Food and Drug Administration, showing the validity and reliability of BridgeDPI.
• Abstract（参考訳）: モチベーション(Motivation): 薬物とタンパク質の相互作用(DPI)を探索する。 利用可能な生体データの高速拡張により、計算手法は実験的な手法を効果的に支援することができる。 このうち、深層学習法はタンパク質配列や分子構造などの基本的な特徴のみから特徴を抽出する。 他のものは、配列や分子だけでなく、タンパク質-タンパク質とドラッグ・ドラッグ・アソシエーション(PPAsとDDA)から学ぶことで、著しく改善する。 PPAとDDAは一般に計算手法を用いて得られる。 しかし、既存の計算手法にはいくつかの制限があり、結果として低品質のPPAとDDAが予測性能を妨げている。 そこで我々は,PPAとDDAを効果的に学習し,DPIの特定のタスクの予測性能を向上させるための,教師付き学習手法を開発したいと考えている。 結果:本研究では,新しいディープラーニングフレームワークであるbridgedpiを提案する。 BridgeDPIはハイパーノードと呼ばれるノードのクラスを導入し、異なるタンパク質やドラッグをPPAやDDAとして使えるようにブリッジする。 プロセス全体がエンドツーエンドの学習であるため、ハイパーノードはDPIの特定のタスクのために学習することができる。 従って、そのようなモデルによりDPIの予測性能が向上する。 3つの実世界のデータセットにおいて、BridgeDPIが最先端の手法より優れていることを示す。 さらに、アブレーション研究はハイパーノードの有効性を検証する。 最後に、独立した検証で、BridgeDPIは新型コロナウイルスのタンパク質と様々な抗ウイルス薬の候補結合を調査している。 そして、予測結果は世界保健機関(WHO)の声明と一致し、ブリッジDPIの有効性と信頼性を示している。

関連論文リスト

• ADEP: A Novel Approach Based on Discriminator-Enhanced Encoder-Decoder Architecture for Accurate Prediction of Adverse Effects in Polypharmacy [0.0]
  本稿では,識別器とエンコーダデコーダモデルを組み合わせた新しい手法であるADEPを紹介する。 ADEPは多薬効の悪影響を予測するために、複数の分類方法を含む3部モデルを採用している。
  論文  参考訳（メタデータ） (2024-05-31T18:20:17Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• MCPI: Integrating Multimodal Data for Enhanced Prediction of Compound Protein Interactions [15.5883647480458]
  複合タンパク質相互作用(CPI)の同定は、薬物スクリーニング、薬物再精製、併用療法研究において重要な役割を担っている。 CPI予測の有効性は、化合物と標的タンパク質の両方から抽出された特徴に大きく依存している。 本研究では,CPIの予測性能の向上を目的としたMCPIモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-15T07:20:26Z)
• 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)
• 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)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• GEFA: Early Fusion Approach in Drug-Target Affinity Prediction [28.695523040015164]
  本稿では,結合効果により対象表現の変化に対処するアテンション機構を備えた新しいグラフイングラフニューラルネットワークを提案する。 薬物は原子のグラフとしてモデル化され、残基-ドラッグ複合体の大きなグラフのノードとして機能する。 また、文脈化されたタンパク質表現を学習する最近の取り組みにより、事前訓練されたタンパク質表現を使用する。
  論文  参考訳（メタデータ） (2020-09-25T11:54:15Z)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)

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。