論文の概要: Proteome-informed machine learning studies of cocaine addiction
- arxiv url: http://arxiv.org/abs/2109.08718v1
- Date: Fri, 17 Sep 2021 18:58:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 02:29:14.963349
- Title: Proteome-informed machine learning studies of cocaine addiction
- Title（参考訳）: コカイン依存症のプロテオーム不定型機械学習研究
- Authors: Kaifu Gao, Dong Chen, Alfred J Robison, and Guo-Wei Wei
- Abstract要約: コカイン中毒は物質使用障害の大部分を占め、世界中で数百万人の命が脅かされている。
過去数十年にわたる大規模な取り組みにもかかわらず、FDA(食品医薬品局)による医薬品の承認は行われていない。
プロテオームインフォームド機械学習/ディープラーニング(ML/DL)プラットフォームを提案する。
- 参考スコア（独自算出の注目度）: 3.9773193793068997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cocaine addiction accounts for a large portion of substance use disorders and
threatens millions of lives worldwide. There is an urgent need to come up with
efficient anti-cocaine addiction drugs. Unfortunately, no medications have been
approved by the Food and Drug Administration (FDA), despite the extensive
effort in the past few decades. The main challenge is the intricate molecular
mechanisms of cocaine addiction, involving synergistic interactions among
proteins upstream and downstream of dopamine transporter (DAT) functions
impacted by cocaine. However, traditional in vivo or in vitro experiments can
not address the roles of so many proteins, highlighting the need for innovative
strategies in the field. We propose a proteome-informed machine learning/deep
learning (ML/DL) platform to discover nearly optimal anti-cocaine addiction
lead compounds. We construct and analyze proteomic protein-protein interaction
(PPI) networks for cocaine dependence to identify 141 involved drug targets and
represent over 60,000 associated drug candidates or experimental drugs in the
latent space using an autoencoder (EA) model trained from over 104 million
molecules. We build 32 ML models for cross-target analysis of these drug
candidates for side effects and repurposing potential. We further screen the
absorption, distribution, metabolism, excretion, and toxicity (ADMET)
properties of these candidates. Our platform reveals that essentially all of
the existing drug candidates, including dozens of experimental drugs, fail to
pass our cross-target and ADMET screenings. Nonetheless, we have identified two
nearly optimal leads for further optimization.
- Abstract（参考訳）: コカイン依存は薬物使用障害の大部分を占め、世界中の何百万人もの生命を脅かす。
効果的な抗コカイン中毒薬を開発する必要がある。
残念ながら、過去数十年にわたる大規模な取り組みにもかかわらず、FDA(食品医薬品局)による医薬品の認可は行われていない。
主な課題は、コカイン依存の複雑な分子機構であり、コカインによって影響を受けるドーパミントランスポーター(dat)機能の上流と下流のタンパク質間の相乗的相互作用を含んでいる。
しかし、従来のin vivoやin vitroの実験では、非常に多くのタンパク質の役割を扱えず、この分野における革新的な戦略の必要性を強調している。
プロテオームインフォームド機械学習/深層学習(ML/DL)プラットフォームを提案する。
我々は,コカイン依存のためのプロテオミクス蛋白質間相互作用(ppi)ネットワークを構築し解析し,約4400万分子からトレーニングされたオートエンコーダ(ea)モデルを用いて,約6万以上の薬物候補または実験薬を潜在空間で表現する。
我々は,これらの薬剤候補のクロスターゲット分析のための32mlモデルを構築した。
さらに, これらの候補の吸収, 分布, 代謝, 排ガス, 毒性(ADMET)特性について検討した。
私たちのプラットフォームは、何十もの実験薬を含む既存の薬物候補が、我々のクロスターゲットおよびADMETスクリーニングを通過できないことを明らかにしています。
それでも、さらなる最適化のために、ほぼ最適な2つの手がかりを特定した。
関連論文リスト
- DrugCLIP: Contrastive Drug-Disease Interaction For Drug Repurposing [4.969453745531116]
DrugCLIPは、ネガティブなラベルなしで薬物と疾患の相互作用を学ぶための対照的な学習方法である。
実地臨床試験記録に基づく薬物再服用データセットをキュレートした。
論文 参考訳（メタデータ） (2024-07-02T13:41:59Z) - A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。
ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。
SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T13:25:20Z) - De novo Drug Design using Reinforcement Learning with Multiple GPT
Agents [16.508471997999496]
MolRL-MGPTは、薬物分子生成のための複数のGPTエージェントを用いた強化学習アルゴリズムである。
このアルゴリズムはGurcaMolベンチマークで有望な結果を示し,SARS-CoV-2タンパク質標的に対する阻害剤の設計に有効であることを示した。
論文 参考訳（メタデータ） (2023-12-21T13:24:03Z) - NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug
Candidates Through an Integrated Computational Approach [0.0]
薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。
提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。
データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。
NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
論文 参考訳（メタデータ） (2023-09-04T03:21:43Z) - Drug Repurposing Targeting COVID-19 3CL Protease using Molecular Docking and Machine Learning Regression Approach [0.15346678870160887]
新型コロナウイルス(COVID-19)のパンデミックが世界的な緊急事態を宣言。
SARS-CoV-2の主プロテアーゼ3CLを標的とした5903薬剤の阻害効果を検討した。
我々は、QSARモデリングに機械学習回帰手法を用いて、高い結合親和性を持つ潜在的な薬物を発見する。
論文 参考訳（メタデータ） (2023-05-25T05:34:39Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T16:07:52Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-30T09:32:39Z) - 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) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳（メタデータ） (2021-05-05T00:20:48Z) - MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。
開発者は、インターフェイスに薬物分子を描画することができる。
バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文 参考訳（メタデータ） (2020-10-05T21:25:25Z) - A Minimal-Input Multilayer Perceptron for Predicting Drug-Drug
Interactions Without Knowledge of Drug Structure [0.0]
薬物間の相互作用を予測する最小入力型多層パーセプトロンを提案する。
薬物と薬物の相互作用と関連する性質を用いて、約65万項目のデータセットでモデルをトレーニングした。
モデルが訓練された薬物間の相互作用サンプルの0.968の精度と、不明薬物間の相互作用サンプルの0.942の精度を報告した。
論文 参考訳（メタデータ） (2020-05-20T17:15:19Z)
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。