論文の概要: High-Throughput Virtual Screening of Small Molecule Inhibitors for
SARS-CoV-2 Protein Targets with Deep Fusion Models
- arxiv url: http://arxiv.org/abs/2104.04547v1
- Date: Fri, 9 Apr 2021 18:18:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:51:56.409174
- Title: High-Throughput Virtual Screening of Small Molecule Inhibitors for
SARS-CoV-2 Protein Targets with Deep Fusion Models
- Title（参考訳）: 深部核融合モデルによるSARS-CoV-2タンパク質標的用小分子インヒビターの高速仮想スクリーニング
- Authors: Garrett A. Stevenson, Derek Jones, Hyojin Kim, W. F. Drew Bennett,
Brian J. Bennion, Monica Borucki, Feliza Bourguet, Aidan Epstein, Magdalena
Franco, Brooke Harmon, Stewart He, Max P. Katz, Daniel Kirshner, Victoria
Lao, Edmond Y. Lau, Jacky Lo, Kevin McLoughlin, Richard Mosesso, Deepa K.
Murugesh, Oscar A. Negrete, Edwin A. Saada, Brent Segelke, Maxwell Stefan,
Marisa W. Torres, Dina Weilhammer, Sergio Wong, Yue Yang, Adam Zemla, Xiaohua
Zhang, Fangqiang Zhu, Felice C. Lightstone, Jonathan E. Allen
- Abstract要約: 新型コロナウイルスによる4つのタンパク質構造(SARS-CoV-2)に対して、5億以上の小分子がスクリーニングされた。
SARS-CoV-2タンパク質ターゲットに対する50億以上のドッキングポーズを評価するために、Deep Fusionの3つの強化が行われた。
- 参考スコア（独自算出の注目度）: 3.8075853084146023
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structure-based Deep Fusion models were recently shown to outperform several
physics- and machine learning-based protein-ligand binding affinity prediction
methods. As part of a multi-institutional COVID-19 pandemic response, over 500
million small molecules were computationally screened against four protein
structures from the novel coronavirus (SARS-CoV-2), which causes COVID-19.
Three enhancements to Deep Fusion were made in order to evaluate more than 5
billion docked poses on SARS-CoV-2 protein targets. First, the Deep Fusion
concept was refined by formulating the architecture as one, coherently
backpropagated model (Coherent Fusion) to improve binding-affinity prediction
accuracy. Secondly, the model was trained using a distributed, genetic
hyper-parameter optimization. Finally, a scalable, high-throughput screening
capability was developed to maximize the number of ligands evaluated and
expedite the path to experimental evaluation. In this work, we present both the
methods developed for machine learning-based high-throughput screening and
results from using our computational pipeline to find SARS-CoV-2 inhibitors.
- Abstract（参考訳）: 近年、構造に基づくDeep Fusionモデルは、いくつかの物理および機械学習ベースのタンパク質-リガンド結合親和性予測法より優れていることが示されている。
新型コロナウイルス(COVID-19)の感染拡大を受け、5億以上の小さな分子が、新型コロナウイルス(SARS-CoV-2)の4つのタンパク質構造に対してコンピューターでスクリーニングされた。
ディープフュージョンの3つの拡張は、SARS-CoV-2タンパク質標的に対する50億以上のドッキングポーズを評価するために行われた。
第一に、ディープフュージョンの概念は、結合親和性予測精度を改善するために、アーキテクチャを1つに定式化した。
第二に、このモデルは分散型の遺伝的ハイパーパラメータ最適化を用いて訓練された。
最後に, リガンド数を最大化し, 実験評価への道筋を早めるために, スケーラブルで高スループットなスクリーニング機能を開発した。
本研究では,機械学習を用いたハイスループットスクリーニングのための手法と,計算パイプラインを用いてSARS-CoV-2インヒビターの探索を行った。
関連論文リスト
- TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
原子は分離違反を避けるために 最小の対距離を維持する必要がある
NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。
違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
論文 参考訳（メタデータ） (2024-09-16T08:42:46Z) - From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。
CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。
熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
論文 参考訳（メタデータ） (2022-08-19T14:55:12Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。
総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。
生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
論文 参考訳（メタデータ） (2022-06-17T21:05:58Z) - Benchmarking Deep Graph Generative Models for Optimizing New Drug
Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。
本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文 参考訳（メタデータ） (2021-02-09T17:49:26Z) - Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning [50.57291257437373]
SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。
1つのアプローチは、ヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体の設計に焦点を当てる
我々は、強化学習問題として、新しいタンパク質設計の枠組みを定式化する。
論文 参考訳（メタデータ） (2020-12-03T07:35:38Z) - PaccMann$^{RL}$ on SARS-CoV-2: Designing antiviral candidates with
conditional generative models [2.0750380105212116]
新型コロナウイルス(COVID-19)の世界的なパンデミックへの急速な発展に伴い、世界中の科学者が、効果的な抗ウイルス治療薬を必死に探している。
タンパク質標的に適合した抗ウイルス候補薬の条件付きデノボ設計のための深層学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-27T11:30:15Z) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳（メタデータ） (2020-04-02T18:17:20Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
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。
論文 参考訳（メタデータ） (2019-12-29T00:14:07Z)
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。