論文の概要: A versatile deep learning-based protein-ligand interaction prediction
model for accurate binding affinity scoring and virtual screening
- arxiv url: http://arxiv.org/abs/2307.01066v1
- Date: Mon, 3 Jul 2023 14:46:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 12:40:15.181764
- Title: A versatile deep learning-based protein-ligand interaction prediction
model for accurate binding affinity scoring and virtual screening
- Title（参考訳）: 正確な結合親和性スコアと仮想スクリーニングのための多彩な深層学習に基づくタンパク質-リガンド相互作用予測モデル
- Authors: Seokhyun Moon, Sang-Yeon Hwang, Jaechang Lim, and Woo Youn Kim
- Abstract要約: 我々は,PLI予測におけるアフィニティスコアと仮想スクリーニングを正確に結合できる汎用モデルを開発した。
物理インフォームドニューラルネットワークとともに,新しいデータ拡張戦略を導入する。
結果のモデルでは、スコアリングとスクリーニングの両方が大幅に改善されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Protein--ligand interaction (PLI) prediction is critical in drug discovery,
aiding the identification and enhancement of molecules that effectively bind to
target proteins. Despite recent advances in deep learning-based PLI prediction,
developing a versatile model capable of accurate binding affinity scoring and
virtual screening in PLI prediction is an ongoing challenge. This is primarily
due to the lack of structure--affinity data, resulting in low model
generalization ability. We here propose a viable solution to this challenge by
introducing a novel data augmentation strategy along with a physics-informed
neural network. The resulting model exhibits significant improvement in both
scoring and screening capabilities. Its performance was compared to
task-specific deep learning-based PLI prediction models, confirming its
versatility. Notably, it even outperformed computationally expensive molecular
dynamics simulations as well as the other deep learning models in a derivative
benchmark while maintaining sufficiently high performance in virtual screening.
This underscores the potential of this approach in drug discovery,
demonstrating its applicability to both binding affinity scoring and virtual
screening.
- Abstract（参考訳）: タンパク質-リガンド相互作用(PLI)予測は、標的タンパク質に効果的に結合する分子の同定と増強を支援する薬物発見において重要である。
近年のディープラーニングに基づくPLI予測の進歩にもかかわらず、PLI予測における親和性スコアと仮想スクリーニングの正確な結合が可能な汎用モデルの開発は、現在進行中の課題である。
これは主に構造-アフィニティデータの欠如によるもので、モデル一般化能力の低下が原因である。
本稿では,この課題に対する有効な解法として,物理に変形したニューラルネットワークとともに,新たなデータ拡張戦略を提案する。
結果として得られたモデルは、スコアとスクリーニング能力の両方において著しい改善を示す。
その性能はタスク固有のディープラーニングベースのPLI予測モデルと比較され、その汎用性を確認した。
特に、計算コストの高い分子動力学シミュレーションや他のディープラーニングモデルをデリバティブベンチマークで上回り、仮想スクリーニングでも十分に高い性能を維持した。
これは、薬物発見におけるこのアプローチの可能性を強調し、結合親和性スコアと仮想スクリーニングの両方に適用可能であることを示す。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。
2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
論文 参考訳（メタデータ） (2024-07-15T13:06:00Z) - Enhancing Dynamical System Modeling through Interpretable Machine
Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。
実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
論文 参考訳（メタデータ） (2024-01-16T14:58:21Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - PIGNet: A physics-informed deep learning model toward generalized
drug-target interaction predictions [0.0]
DTIモデルの一般化を促進するための2つの重要な戦略を提案する。
1つ目は、ニューラルネットワークでパラメータ化された物理インフォームド方程式を用いて原子-原子対相互作用を予測することである。
さらに,バインドポーズの幅を拡大し,より広いトレーニングデータに拡張することで,モデル一般化をさらに改善する。
論文 参考訳（メタデータ） (2020-08-22T14:29:58Z) - Improved Protein-ligand Binding Affinity Prediction with Structure-Based
Deep Fusion Inference [3.761791311908692]
正確なタンパク質-リガンド結合親和性を予測することは、薬物発見において重要である。
深層畳み込みとグラフニューラルネットワークに基づくアプローチの最近の進歩により、モデルの性能は入力データ表現に依存する。
結合親和性予測を改善するため、2つのニューラルネットワークモデルの異なる特徴表現の恩恵を受けるための融合モデルを提案する。
論文 参考訳（メタデータ） (2020-05-17T22:26:27Z)
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。