論文の概要: Geometric Graph Learning with Extended Atom-Types Features for
Protein-Ligand Binding Affinity Prediction
- arxiv url: http://arxiv.org/abs/2301.06194v1
- Date: Sun, 15 Jan 2023 21:30:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 16:54:03.348590
- Title: Geometric Graph Learning with Extended Atom-Types Features for
Protein-Ligand Binding Affinity Prediction
- Title（参考訳）: タンパク質-リガンド結合親和性予測のための拡張原子型幾何グラフ学習
- Authors: Md Masud Rana and Duc Duy Nguyen
- Abstract要約: 我々は、SYBYLのような広範囲な原子タイプを統合することにより、タンパク質-リガンド相互作用の研究のためにグラフベースの学習者をアップグレードする。
我々のアプローチでは、$textsybyltextGGL$-Scoreと$texteciftextGGL$-Scoreの2つの異なるメソッドが生成される。
SYBYL atom-type model $textsybyltextGGL$-Score はすべてのベンチマークで他の手法よりも優れています。
- 参考スコア（独自算出の注目度）: 0.17132914341329847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and accurately predicting protein-ligand binding affinity are
essential in the drug design and discovery process. At present, machine
learning-based methodologies are gaining popularity as a means of predicting
binding affinity due to their efficiency and accuracy, as well as the
increasing availability of structural and binding affinity data for
protein-ligand complexes. In biomolecular studies, graph theory has been widely
applied since graphs can be used to model molecules or molecular complexes in a
natural manner. In the present work, we upgrade the graph-based learners for
the study of protein-ligand interactions by integrating extensive atom types
such as SYBYL and extended connectivity interactive features (ECIF) into
multiscale weighted colored graphs (MWCG). By pairing with the gradient
boosting decision tree (GBDT) machine learning algorithm, our approach results
in two different methods, namely $^\text{sybyl}\text{GGL}$-Score and
$^\text{ecif}\text{GGL}$-Score. Both of our models are extensively validated in
their scoring power using three commonly used benchmark datasets in the drug
design area, namely CASF-2007, CASF-2013, and CASF-2016. The performance of our
best model $^\text{sybyl}\text{GGL}$-Score is compared with other
state-of-the-art models in the binding affinity prediction for each benchmark.
While both of our models achieve state-of-the-art results, the SYBYL atom-type
model $^\text{sybyl}\text{GGL}$-Score outperforms other methods by a wide
margin in all benchmarks.
- Abstract（参考訳）: タンパク質-リガンド結合の親和性を理解し、正確に予測することは、薬物の設計と発見プロセスにおいて不可欠である。
現在,タンパク質-リガンド複合体の構造的および結合親和性データの増加とともに,その効率と精度から結合親和性を予測する手段として,機械学習ベースの手法が人気を集めている。
生分子研究において、グラフ理論は自然に分子や分子複合体をモデル化するのに使えるため、広く応用されている。
本研究では,SYBYLや拡張接続型対話機能 (ECIF) をマルチスケール重み付きカラーグラフ (MWCG) に統合することにより,タンパク質-リガンド相互作用の研究のためのグラフベース学習器を改良する。
グラデーションブースティング決定木(gbdt)機械学習アルゴリズムと組み合わせることで、このアプローチでは、$^\text{sybyl}\text{ggl}$-scoreと$^\text{ecif}\text{ggl}$-scoreという2つの異なる方法が得られる。
どちらのモデルも、薬物デザイン領域でよく使用される3つのベンチマークデータセット(CASF-2007, CASF-2013, CASF-2016)を用いて、評価能力において広範囲に検証されている。
ベストモデルである $^\text{sybyl}\text{GGL}$-Score の性能は、各ベンチマークのバインディング親和性予測における他の最先端モデルと比較する。
両モデルとも最先端の結果が得られたが、SYBYL原子型モデル $^\text{sybyl}\text{GGL}$-Score は全てのベンチマークで他の手法よりも優れていた。
関連論文リスト
- GraphBPE: Molecular Graphs Meet Byte-Pair Encoding [12.985482706851846]
分子グラフを異なるサブ構造にトークン化し,モデルアーキテクチャに依存しない事前処理スケジュールとして機能するGraphBPEを提案する。
3つのグラフレベルの分類と3つのグラフレベルの回帰データセットに関する実験により、データ前処理によって分子グラフのモデルの性能が向上することを示した。
論文 参考訳（メタデータ） (2024-07-26T18:45:09Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - Graph Representation Learning Strategies for Omics Data: A Case Study on Parkinson's Disease [13.630617713928197]
グラフニューラルネットワークは、古典的な統計学と機械学習の方法に代わる有望な代替手段として登場した。
本研究では,ケースコントロール分類のためのグラフ表現学習モデルについて検討する。
タンパク質-タンパク質相互作用やメタボライト-メタボライト相互作用を含む,サンプル類似性ネットワークと分子相互作用ネットワークから得られたトポロジーを比較した。
論文 参考訳（メタデータ） (2024-06-20T16:06:39Z) - Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。
IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。
本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
論文 参考訳（メタデータ） (2024-04-24T03:25:53Z) - Learning from Heterogeneity: A Dynamic Learning Framework for Hypergraphs [22.64740740462169]
本稿では,動的ハイパーエッジ構築と注意深い埋め込み更新が可能なLFHというハイパーグラフ学習フレームワークを提案する。
提案手法の有効性を評価するため,いくつかの一般的なデータセットを対象とした総合的な実験を行った。
論文 参考訳（メタデータ） (2023-07-07T06:26:44Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - Supervised Learning and Model Analysis with Compositional Data [4.082799056366927]
KernelBiomeはカーネルベースの非パラメトリック回帰分類フレームワークである。
我々は、最先端の機械学習手法と比較して、同等または改善された性能を示す。
論文 参考訳（メタデータ） (2022-05-15T12:33:43Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳（メタデータ） (2020-12-16T13:48:48Z)
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。