論文の概要: Machine learning modeling of family wide enzyme-substrate specificity screens

• arxiv url: http://arxiv.org/abs/2109.03900v1
• Date: Wed, 8 Sep 2021 19:44:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 14:02:16.996286
• Title: Machine learning modeling of family wide enzyme-substrate specificity screens
• Title（参考訳）: family wide enzyme-substrate specificity screenの機械学習モデル
• Authors: Samuel Goldman, Ria Das, Kevin K. Yang, Connor W. Coley
• Abstract要約: バイオ触媒は、医薬品、複雑な天然物、商品化学物質を大規模に合成するための有望なアプローチである。 生体触媒の導入は、非天然基質上での化学的変換を触媒する酵素の選択能力によって制限される。
• 参考スコア（独自算出の注目度）: 2.276367922551686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biocatalysis is a promising approach to sustainably synthesize pharmaceuticals, complex natural products, and commodity chemicals at scale. However, the adoption of biocatalysis is limited by our ability to select enzymes that will catalyze their natural chemical transformation on non-natural substrates. While machine learning and in silico directed evolution are well-posed for this predictive modeling challenge, efforts to date have primarily aimed to increase activity against a single known substrate, rather than to identify enzymes capable of acting on new substrates of interest. To address this need, we curate 6 different high-quality enzyme family screens from the literature that each measure multiple enzymes against multiple substrates. We compare machine learning-based compound-protein interaction (CPI) modeling approaches from the literature used for predicting drug-target interactions. Surprisingly, comparing these interaction-based models against collections of independent (single task) enzyme-only or substrate-only models reveals that current CPI approaches are incapable of learning interactions between compounds and proteins in the current family level data regime. We further validate this observation by demonstrating that our no-interaction baseline can outperform CPI-based models from the literature used to guide the discovery of kinase inhibitors. Given the high performance of non-interaction based models, we introduce a new structure-based strategy for pooling residue representations across a protein sequence. Altogether, this work motivates a principled path forward in order to build and evaluate meaningful predictive models for biocatalysis and other drug discovery applications.
• Abstract（参考訳）: バイオ触媒は、薬品、複雑な天然物、商品化学物質を大規模に持続的に合成するための有望なアプローチである。 しかし, 生体触媒の応用は, 非天然基質上での化学的変換を触媒する酵素の選択能力によって制限される。 機械学習とシリコ指向の進化は、この予測モデリングの課題に適しているが、これまでは主に、新しい基質に作用する酵素を識別するよりも、単一の既知の基質に対する活性を高めることを目的としてきた。 このニーズに対処するために、複数の基質に対して複数の酵素を測定する文献から、6つの異なる高品質の酵素ファミリースクリーンをキュレートした。 本稿では,機械学習に基づく複合タンパク質相互作用(CPI)のモデリング手法の比較を行った。 驚くべきことに、これらの相互作用に基づくモデルと、独立した(単一タスク)酵素のみまたは基質のみのモデルの集合を比較すると、現在のCPIアプローチは現在のファミリーレベルのデータ構造における化合物とタンパク質間の相互作用を学習できないことが分かる。 本研究は, キナーゼ阻害剤の発見を導くために用いた文献から, 我々の非相互作用ベースラインがCPIモデルより優れていることを示すことによって, この観察をさらに検証する。 非相互作用型モデルの性能を考慮し,タンパク質配列の残基表現をプールする新しい構造に基づく戦略を提案する。 この研究は、バイオ触媒やその他の薬物発見応用のための有意義な予測モデルを構築し、評価するために、原則化された経路を前進させる。

関連論文リスト

• EnzymeFlow: Generating Reaction-specific Enzyme Catalytic Pockets through Flow Matching and Co-Evolutionary Dynamics [51.47520281819253]
  酵素設計はバイオテクノロジーにおいて重要な領域であり、医薬品開発から合成生物学まで幅広い応用がある。 酵素機能予測やタンパク質結合ポケット設計の伝統的な手法は、しばしば酵素-基質相互作用の動的および複雑な性質を捉えるのに不足する。 本稿では, 触媒ポケットを生成するために, 階層的事前学習と酵素-反応共進化を用いたフローマッチングを用いた生成モデルであるEnzymeFlowを紹介する。
  論文  参考訳（メタデータ） (2024-10-01T02:04:01Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• Substrate Scope Contrastive Learning: Repurposing Human Bias to Learn Atomic Representations [14.528429119352328]
  本稿では,化学反応性に適合した原子表現を学習する,新しい事前学習戦略,基板スコープコントラスト学習を導入する。 我々は, 数千の出版物にまたがるCASコンテントコレクションにおいて, 20,798 のアリルハロゲン化物に着目し, アリルハロゲン化物反応性の表現を学習した。 この研究は、反応性に整合した原子表現を学ぶための、化学調整されたニューラルネットワーク事前学習戦略を示すだけでなく、基質スコープ設計における人間のバイアスの恩恵を受けるための、第一級のアプローチを示す。
  論文  参考訳（メタデータ） (2024-02-19T02:21:20Z)
• 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)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• A knowledge graph representation learning approach to predict novel kinase-substrate interactions [0.0]
  本稿では,知識グラフ表現学習手法を提案する。 提案手法では,iPTMnet,Protein Ontology,Gene Ontology,BioKGのデータを統合して構築したホスホプロテオミクス知識グラフを用いている。 また, 予測された相互作用の予測後解析, およびリンプロテオミクス知識グラフのアブレーション分析を行い, 検討中のキナーゼの生物学的知見を得た。
  論文  参考訳（メタデータ） (2022-06-05T23:55:40Z)
• 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)
• Multi-View Self-Attention for Interpretable Drug-Target Interaction Prediction [4.307720252429733]
  機械学習のアプローチでは、分子の数値表現がモデルの性能に欠かせない。 薬物と標的の相互作用をモデル化するための自己注意に基づく多視点表現学習手法を提案する。
  論文  参考訳（メタデータ） (2020-05-01T14:28:17Z)
• 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)
• Enzyme promiscuity prediction using hierarchy-informed multi-label classification [6.6828647808002595]
  本稿では,983個の異なる酵素が問合せ分子と相互作用しうるかを予測するための機械学習モデルを提案し,評価する。 いくつかの相互作用は自然選択に起因し、酵素の天然基質を含む。 しかし、相互作用の大部分は非天然基質を含んでおり、プロミスキュラスな酵素活性を反映している。
  論文  参考訳（メタデータ） (2020-02-18T01:39:24Z)

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。