Fugu-MT 論文翻訳(概要): A Methodology for the Prediction of Drug Target Interaction using CDK Descriptors

論文の概要: A Methodology for the Prediction of Drug Target Interaction using CDK Descriptors

arxiv url: http://arxiv.org/abs/2210.11482v1
Date: Thu, 20 Oct 2022 09:25:14 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 16:04:22.171492
Title: A Methodology for the Prediction of Drug Target Interaction using CDK Descriptors
Title（参考訳）: CDK記述子を用いた薬物標的相互作用予測手法
Authors: Tanya Liyaqat and Tanvir Ahmad and Chandni Saxena
Abstract要約: 薬物の分子構造と標的タンパク質の配列に基づくDTI予測モデルを提案する。提案モデルでは,CDKディスクリプタ,MACCS指紋,Electrotopological State (Estate) fingerprint,およびターゲットのアミノ酸配列を用いてPseudo Amino acid composition (PseAAC) を得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting probable Drug Target Interaction (DTI) is a critical task in drug discovery. Conventional DTI studies are expensive, labor-intensive, and take a lot of time, hence there are significant reasons to construct useful computational techniques that may successfully anticipate possible DTIs. Although certain methods have been developed for this cause, numerous interactions are yet to be discovered, and prediction accuracy is still low. To meet these challenges, we propose a DTI prediction model built on molecular structure of drugs and sequence of target proteins. In the proposed model, we use Simplified Molecular Input Line Entry System (SMILES) to create CDK descriptors, Molecular ACCess System (MACCS) fingerprints, Electrotopological state (Estate) fingerprints and amino acid sequences of targets to get Pseudo Amino Acid Composition (PseAAC). We target to evaluate performance of DTI prediction models using CDK descriptors. For comparison, we use benchmark data and evaluate models performance on two widely used fingerprints, MACCS fingerprints and Estate fingerprints. The evaluation of performances shows that CDK descriptors are superior at predicting DTIs. The proposed method also outperforms other previously published techniques significantly.
Abstract（参考訳）: 薬物標的相互作用(DTI)の検出は、薬物発見において重要な課題である。従来のDTI研究は高価で、労働集約的であり、多くの時間を要するため、DTIをうまく予測できる有用な計算技術を構築するための重要な理由がある。この原因のためにいくつかの方法が開発されているが、多くの相互作用がまだ発見されておらず、予測精度はまだ低い。これらの課題に対処するため,薬物の分子構造と標的タンパク質の配列に基づくDTI予測モデルを提案する。提案モデルでは,簡便な分子入力線入力システム(smiles)を用いてcdk記述子,分子アクセスシステム(maccs)指紋,電子状態(estate)指紋,および標的のアミノ酸配列を作成し,擬似アミノ酸組成(pseaac)を得る。 cdkディスクリプタを用いたdti予測モデルの性能評価を目標とした。比較のために、ベンチマークデータを用いて、広く使われているMACCS指紋とEstate指紋の2つの指紋のモデル性能を評価する。性能評価の結果,CDKディスクリプタはDTIの予測に優れていた。提案手法は他の手法を大きく上回っている。

関連論文リスト

Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文参考訳（メタデータ） (2024-09-11T11:12:26Z)
FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction [23.521628951362647]
本稿では,トークンレベルのFusionモジュールを用いてドラッグ・ターゲットインタラクションの詳細な情報を学習するFusionDTIという新しいモデルを提案する。特に、FusionDTIモデルでは、医薬品のSELFIES表現を使用して、配列フラグメントの無効化を軽減しています。提案したFusionDTIモデルは,既存の7つの最先端ベースラインと比較して,DTI予測において最高の性能が得られることを示す。
論文参考訳（メタデータ） (2024-06-03T14:48:54Z)
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)
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)
Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。複数の臨床データセットに対するTAMLの有効性を示す。
論文参考訳（メタデータ） (2023-03-05T03:54:54Z)
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)
HampDTI: a heterogeneous graph automatic meta-path learning method for drug-target interaction prediction [4.499861098235355]
異種グラフ自動メタパス学習に基づくDTI予測法(HampDTI)を提案する。 HampDTIは、薬物と標的の間の重要なメタパスをHNから自動的に学習し、メタパスグラフを生成する。ベンチマークデータを用いた実験により,提案したHampDTIは最先端のDTI予測手法と比較して優れた性能を示した。
論文参考訳（メタデータ） (2021-12-16T02:12:03Z)
Drug-Target Interaction Prediction with Graph Attention networks [26.40249934284416]
DTI予測のためのエンドツーエンドフレームワークであるDTI-GAT(Drug-Target Interaction Prediction with Graph Attention Network)を提案する。 DTI-GATは、注目機構を備えたグラフ構造化データで動作するディープネットワークニューラルアーキテクチャを組み込んでいる。実験により、DTI-GATはバイナリDTI予測問題において、様々な最先端システムより優れていることが示された。
論文参考訳（メタデータ） (2021-07-10T07:06:36Z)
MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。近年、DTI予測におけるディープラーニングの進歩が期待されている。これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
論文参考訳（メタデータ） (2020-04-23T18:56:04Z)
DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction [69.7424023336611]
DeepPurposeは、DTI予測のための包括的で使いやすいディープラーニングライブラリである。 15の複合およびタンパク質エンコーダと50以上のニューラルアーキテクチャを実装することで、カスタマイズされたDTI予測モデルのトレーニングをサポートする。複数のベンチマークデータセット上でDeepPurposeの最先端性能を示す。
論文参考訳（メタデータ） (2020-04-19T17:31:55Z)
DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction [8.292330541203647]
本稿では、ディープニューラルネットワークを用いて、アミノ酸やSMILES配列から局所的な化学コンテキストを抽出する、DeepGSと呼ばれる新しいエンドツーエンド学習フレームワークを提案する。我々は提案手法を,KronRLS,Sim,DeepDTA,DeepCPIといった最先端モデルと比較するための広範な実験を行った。
論文参考訳（メタデータ） (2020-03-31T01:35:39Z)

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。