論文の概要: Pharmacoprint -- a combination of pharmacophore fingerprint and
artificial intelligence as a tool for computer-aided drug design
- arxiv url: http://arxiv.org/abs/2110.01339v1
- Date: Mon, 4 Oct 2021 11:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:12:32.706239
- Title: Pharmacoprint -- a combination of pharmacophore fingerprint and
artificial intelligence as a tool for computer-aided drug design
- Title（参考訳）: Pharmacoprint -- コンピュータ支援ドラッグデザインのためのツールとして、薬薬用指紋と人工知能の組み合わせ
- Authors: Dawid Warszycki, {\L}ukasz Struski, Marek \'Smieja, Rafa{\l} Kafel,
Rafa{\l} Kurczab
- Abstract要約: 我々はPharmacoprintと呼ばれる高分解能の医薬品用指紋を提案する。
分子の存在、型、および分子の薬理泳動の特徴の間の関係をコードする。
- 参考スコア（独自算出の注目度）: 3.359875577705537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural fingerprints and pharmacophore modeling are methodologies that
have been used for at least two decades in various fields of cheminformatics:
from similarity searching to machine learning (ML). Advances in silico
techniques consequently led to combining both these methodologies into a new
approach known as pharmacophore fingerprint. Herein, we propose a
high-resolution, pharmacophore fingerprint called Pharmacoprint that encodes
the presence, types, and relationships between pharmacophore features of a
molecule. Pharmacoprint was evaluated in classification experiments by using ML
algorithms (logistic regression, support vector machines, linear support vector
machines, and neural networks) and outperformed other popular molecular
fingerprints (i.e., Estate, MACCS, PubChem, Substructure, Klekotha-Roth, CDK,
Extended, and GraphOnly) and ChemAxon Pharmacophoric Features fingerprint.
Pharmacoprint consisted of 39973 bits; several methods were applied for
dimensionality reduction, and the best algorithm not only reduced the length of
bit string but also improved the efficiency of ML tests. Further optimization
allowed us to define the best parameter settings for using Pharmacoprint in
discrimination tests and for maximizing statistical parameters. Finally,
Pharmacoprint generated for 3D structures with defined hydrogens as input data
was applied to neural networks with a supervised autoencoder for selecting the
most important bits and allowed to maximize Matthews Correlation Coefficient up
to 0.962. The results show the potential of Pharmacoprint as a new, perspective
tool for computer-aided drug design.
- Abstract（参考訳）: 構造指紋と薬理泳動モデリングは、類似性検索から機械学習(ML)まで、様々な分野で20年以上にわたって用いられてきた手法である。
その結果、シリコ技法の進歩により、これらの手法を薬用指紋と呼ばれる新しいアプローチに組み合わせた。
そこで本研究では,分子の存在,型,関係を符号化した高分解能な医薬用指紋Pharmacoprintを提案する。
MLアルゴリズム(論理回帰、サポートベクターマシン、線形支持ベクターマシン、ニューラルネットワーク)を用いて分類実験を行い、他の一般的な分子指紋(Estate, MACCS, PubChem, Substructure, Klekotha-Roth, CDK, Extended, GraphOnly)とChemAxon Pharophoric Featuresの指紋より優れていた。
Pharmacoprintは39973ビットで構成されており、いくつかの手法が次元削減に適用され、最良のアルゴリズムはビット文字列の長さを削減しただけでなく、MLテストの効率も改善した。
さらなる最適化により、識別テストでPharmacoprintを使用することと統計パラメータの最大化に最適なパラメータ設定が定義できるようになった。
最後に、定義された水素を入力データとして3次元構造のために生成されたPharmacoprintは、最も重要なビットを選択するための教師付きオートエンコーダでニューラルネットワークに適用され、マシューズ相関係数を0.962まで最大化することができた。
その結果,Pharmacoprintがコンピュータ支援ドラッグデザインの新しい視点ツールとなる可能性が示された。
関連論文リスト
- 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) - ADMET property prediction through combinations of molecular fingerprints [0.0]
ランダムフォレスト(ランダムフォレスト)またはサポートベクターマシン(サポートベクターマシン)は、最近開発された手法より一貫して優れている。
回帰アルゴリズムと分子指紋の詳細な研究により、勾配型決定木が明らかになった。
私たちは22のTherapeutics Data Commons ADMETベンチマークでモデルを検証しました。
論文 参考訳（メタデータ） (2023-09-29T22:39:18Z) - Efficient Prediction of Peptide Self-assembly through Sequential and
Graphical Encoding [57.89530563948755]
この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。
等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
論文 参考訳（メタデータ） (2023-07-17T00:43:33Z) - 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) - Molecular Fingerprints for Robust and Efficient ML-Driven Molecular
Generation [0.0]
そこで本研究では,分子生成に応用した分子指紋を用いた可変オートエンコーダを提案する。
化学合成アクセシビリティ(DeltabarSAS$=-0.83)と計算効率は,既存のSMILESアーキテクチャと比較して5.9倍に向上した。
論文 参考訳（メタデータ） (2022-11-16T18:07:43Z) - ToDD: Topological Compound Fingerprinting in Computer-Aided Drug
Discovery [8.620443111346523]
コンピュータ支援薬物発見(CADD)において、仮想スクリーニングは、化合物の大きなライブラリーにおいて分子標的に結合する可能性が最も高い薬物候補を特定するために用いられる。
この問題に対処するため,多次元ベクトルとして化合物のトポロジ的指紋を生成する多パラメータ持続性(MP)ホモロジーを用いた新しい手法を開発した。
プレトレーニングトトリプルトネットワークのマージン損失の微調整は, 組込み空間における化合物の相違や, 有効な薬物候補になる可能性のランク付けにおいて, 高い競争力を発揮することを示す。
論文 参考訳（メタデータ） (2022-11-07T19:00:05Z) - 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) - MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination
Therapy [2.446672595462589]
本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。
本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。
このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
論文 参考訳（メタデータ） (2021-10-28T13:10:25Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Predicting Potential Drug Targets Using Tensor Factorisation and
Knowledge Graph Embeddings [4.415977307120617]
我々は、病気の潜在的な薬物標的(遺伝子またはタンパク質)を予測するための新しいテンソル分解モデルを開発した。
薬物発見指向の知識グラフから得られた遺伝子表現を用いてデータを豊かにし,提案手法を適用し,未確認ターゲットと解離ペアの臨床的結果を予測する。
論文 参考訳（メタデータ） (2021-05-20T16:19:00Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。