Fugu-MT 論文翻訳(概要): Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model

論文の概要: Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model

arxiv url: http://arxiv.org/abs/2208.04944v1
Date: Tue, 9 Aug 2022 02:35:42 GMT
ステータス: 処理完了
システム内更新日: 2022-08-11 13:10:44.280643
Title: Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model
Title（参考訳）: グラフ生成マルチタスクモデルによるターゲットベースと細胞ベースの薬物発見のギャップを埋める
Authors: Fan Hu, Dongqi Wang, Huazhen Huang, Yishen Hu and Peng Yin
Abstract要約: 薬物発見は人間を病気から守る上で極めて重要である。ターゲットベースのスクリーニングは、過去数十年で最も人気のある新薬開発方法の1つである。この方法は、標的タンパク質を阻害する候補薬をin vitroで効果的にスクリーニングするが、in vivoで不適切な活性のためにしばしば失敗する。本研究では,標的の阻害特性と細胞活性特性の両方を有する化合物を同定するグラフ多タスク深層学習モデルを提案する。
参考スコア（独自算出の注目度）: 4.917317902787792
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Drug discovery is vitally important for protecting human against disease. Target-based screening is one of the most popular methods to develop new drugs in the past several decades. This method efficiently screens candidate drugs inhibiting target protein in vitro, but it often fails due to inadequate activity of the selected drugs in vivo. Accurate computational methods are needed to bridge this gap. Here, we propose a novel graph multi task deep learning model to identify compounds carrying both target inhibitory and cell active (MATIC) properties. On a carefully curated SARS-CoV-2 dataset, the proposed MATIC model shows advantages comparing with traditional method in screening effective compounds in vivo. Next, we explored the model interpretability and found that the learned features for target inhibition (in vitro) or cell active (in vivo) tasks are different with molecular property correlations and atom functional attentions. Based on these findings, we utilized a monte carlo based reinforcement learning generative model to generate novel multi-property compounds with both in vitro and in vivo efficacy, thus bridging the gap between target-based and cell-based drug discovery.
Abstract（参考訳）: 薬物発見は人間を病気から守る上で極めて重要である。ターゲットベースのスクリーニングは、過去数十年で最も人気のある新薬開発方法の1つである。この方法は、標的タンパク質を阻害する候補薬物をin vitroで効率よくスクリーニングするが、選択された薬物のin vivoにおける不適切な活性のためにしばしば失敗する。このギャップを埋めるために正確な計算方法が必要である。本稿では,標的阻害特性と細胞活性(MATIC)特性の両方を有する化合物を同定するグラフ多タスク深層学習モデルを提案する。慎重に計算したSARS-CoV-2データセットにおいて, 提案したMATICモデルは, 生体内で有効な化合物をスクリーニングする従来の手法と比較して優位性を示す。次に, モデル解釈可能性を検討した結果, 標的阻害(in vitro) や細胞活性(in vivo) タスクの学習特徴は分子特性相関や原子機能的注意と異なることがわかった。これらの知見に基づき,モンテカルロを用いた強化学習生成モデルを用いて,in vitroおよびin vivoで新規な多価化合物を生産し,ターゲットベースと細胞ベースの薬物発見のギャップを埋めた。

関連論文リスト

MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
論文参考訳（メタデータ） (2024-06-12T21:18:14Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
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)
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)
Drug-target affinity prediction method based on consistent expression of heterogeneous data [0.0]
深層学習モデルを用いた薬物-標的結合親和性予測手法を提案する。提案モデルでは,DAVISおよびKIBAデータセット上での薬物-標的結合親和性予測の精度と有効性を示す。
論文参考訳（メタデータ） (2022-11-13T02:58:03Z)
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)
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)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations [7.149873402253933]
微生物は抗菌剤の開発に新たな標的となっている。微生物と薬物の関連性のスクリーニングは、薬物の研究と開発に大きな利益をもたらす。微生物と薬物の関連性を予測する新しい方法であるGraph2MDAを提案する。
論文参考訳（メタデータ） (2021-08-14T07:33:05Z)
Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文参考訳（メタデータ） (2020-05-22T15:57:58Z)
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)

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。