論文の概要: MCPI: Integrating Multimodal Data for Enhanced Prediction of Compound Protein Interactions

• arxiv url: http://arxiv.org/abs/2306.08907v1
• Date: Thu, 15 Jun 2023 07:20:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 16:14:55.778069
• Title: MCPI: Integrating Multimodal Data for Enhanced Prediction of Compound Protein Interactions
• Title（参考訳）: MCPI:複合タンパク質相互作用予測のためのマルチモーダルデータの統合
• Authors: Li Zhang, Wenhao Li, Haotian Guan, Zhiquan He, Mingjun Cheng, Han Wang
• Abstract要約: 複合タンパク質相互作用(CPI)の同定は、薬物スクリーニング、薬物再精製、併用療法研究において重要な役割を担っている。 CPI予測の有効性は、化合物と標的タンパク質の両方から抽出された特徴に大きく依存している。 本研究では,CPIの予測性能の向上を目的としたMCPIモデルを提案する。
• 参考スコア（独自算出の注目度）: 15.5883647480458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The identification of compound-protein interactions (CPI) plays a critical role in drug screening, drug repurposing, and combination therapy studies. The effectiveness of CPI prediction relies heavily on the features extracted from both compounds and target proteins. While various prediction methods employ different feature combinations, both molecular-based and network-based models encounter the common obstacle of incomplete feature representations. Thus, a promising solution to this issue is to fully integrate all relevant CPI features. This study proposed a novel model named MCPI, which is designed to improve the prediction performance of CPI by integrating multiple sources of information, including the PPI network, CCI network, and structural features of CPI. The results of the study indicate that the MCPI model outperformed other existing methods for predicting CPI on public datasets. Furthermore, the study has practical implications for drug development, as the model was applied to search for potential inhibitors among FDA-approved drugs in response to the SARS-CoV-2 pandemic. The prediction results were then validated through the literature, suggesting that the MCPI model could be a useful tool for identifying potential drug candidates. Overall, this study has the potential to advance our understanding of CPI and guide drug development efforts.
• Abstract（参考訳）: 複合タンパク質相互作用(CPI)の同定は、薬物スクリーニング、薬物再精製、併用療法研究において重要な役割を担っている。 CPI予測の有効性は、化合物と標的タンパク質の両方から抽出された特徴に大きく依存している。 様々な予測方法は異なる特徴の組み合わせを用いるが、分子モデルとネットワークモデルの両方は不完全な特徴表現の共通の障害に直面する。 したがって、この問題に対する有望な解決策は、すべての関連するCPI機能を完全に統合することである。 本研究では,PPIネットワーク,CCIネットワーク,CPIの構造的特徴を含む複数の情報ソースを統合することにより,CPIの予測性能を向上させるMCPIという新しいモデルを提案する。 その結果,mcpiモデルは,公開データセット上でcpiを予測する他の手法よりも優れていた。 さらに本研究は,SARS-CoV-2パンデミックに対するFDA承認薬物中の潜在的阻害剤の探索に応用され,医薬品開発に実用的な意味を持つ。 予測結果は文献を通じて検証され、MCPIモデルは潜在的な薬物候補を特定するのに有用なツールである可能性が示唆された。 全体として,本研究はCPIの理解を深め,医薬品開発を指導する可能性を持っている。

関連論文リスト

• 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)
• MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
  タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。 MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2024-02-22T09:04:41Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• 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)
• Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
  薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す 従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。 本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T14:25:28Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Insights into performance evaluation of com-pound-protein interaction prediction methods [0.0]
  複合タンパク質相互作用(CPI)の機械学習による予測は、薬物設計、スクリーニング、再資源化研究において重要である。 我々は、モデル性能の楽観的な推定に繋がる実験設計において、多くの基本的な問題を観察してきた。
  論文  参考訳（メタデータ） (2022-01-28T20:07:19Z)
• 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)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions [18.242888464394575]
  本稿では,新しいディープラーニングフレームワークであるBridgeDPIを提案する。 ハイパーノードと呼ばれるノードのクラスを導入し、PPAやDDAとして機能するさまざまなタンパク質/薬物を橋渡しします。 3つの実世界のデータセットにおいて、BridgeDPIが最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-29T12:53:39Z)

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。