論文の概要: ADMET property prediction through combinations of molecular fingerprints

• arxiv url: http://arxiv.org/abs/2310.00174v1
• Date: Fri, 29 Sep 2023 22:39:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 06:14:04.020234
• Title: ADMET property prediction through combinations of molecular fingerprints
• Title（参考訳）: 分子指紋の組み合わせによるADMET特性予測
• Authors: James H. Notwell and Michael W. Wood
• Abstract要約: ランダムフォレスト(ランダムフォレスト)またはサポートベクターマシン(サポートベクターマシン)は、最近開発された手法より一貫して優れている。 回帰アルゴリズムと分子指紋の詳細な研究により、勾配型決定木が明らかになった。 私たちは22のTherapeutics Data Commons ADMETベンチマークでモデルを検証しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While investigating methods to predict small molecule potencies, we found random forests or support vector machines paired with extended-connectivity fingerprints (ECFP) consistently outperformed recently developed methods. A detailed investigation into regression algorithms and molecular fingerprints revealed gradient-boosted decision trees, particularly CatBoost, in conjunction with a combination of ECFP, Avalon, and ErG fingerprints, as well as 200 molecular properties, to be most effective. Incorporating a graph neural network fingerprint further enhanced performance. We successfully validated our model across 22 Therapeutics Data Commons ADMET benchmarks. Our findings underscore the significance of richer molecular representations for accurate property prediction.
• Abstract（参考訳）: 小型分子量予測手法を検討中,最近開発された手法を一貫して上回っている拡張結合性指紋(ecfp)と組み合わせたランダムフォレストやサポートベクターマシンを見出した。 回帰アルゴリズムと分子指紋の詳細な研究により、ECFP、Avalon、ErGの2つの指紋と組み合わせて、特にCatBoostの勾配式決定木と200の分子特性が最も効果的であることが判明した。 グラフニューラルネットワーク指紋の導入により、さらに性能が向上した。 22のTherapeutics Data Commons ADMETベンチマークでモデルを検証しました。 以上の結果から, よりリッチな分子表現による特性予測の重要性が示唆された。

関連論文リスト

• Investigating Graph Neural Networks and Classical Feature-Extraction Techniques in Activity-Cliff and Molecular Property Prediction [0.6906005491572401]
  分子の破滅は、分子データの数値的特徴ベクトルへの変換を指す。 分子グラフから直接識別可能な特徴を学習する新しい手法として、メッセージパッシンググラフニューラルネットワーク(GNN)が登場した。
  論文  参考訳（メタデータ） (2024-11-20T20:07:48Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• ToDD: Topological Compound Fingerprinting in Computer-Aided Drug Discovery [8.620443111346523]
  コンピュータ支援薬物発見(CADD)において、仮想スクリーニングは、化合物の大きなライブラリーにおいて分子標的に結合する可能性が最も高い薬物候補を特定するために用いられる。 この問題に対処するため,多次元ベクトルとして化合物のトポロジ的指紋を生成する多パラメータ持続性(MP)ホモロジーを用いた新しい手法を開発した。 プレトレーニングトトリプルトネットワークのマージン損失の微調整は, 組込み空間における化合物の相違や, 有効な薬物候補になる可能性のランク付けにおいて, 高い競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:05Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• FP-GNN: a versatile deep learning architecture for enhanced molecular property prediction [3.9838024725595167]
  FP-GNNは、分子グラフと指紋から情報を合成し、同時に学習する新しいディープラーニングアーキテクチャである。 乳房細胞株に対する13の公開データセット,非バイアスLIT-PCBAデータセット,14の表現型スクリーニングデータセットについて実験を行った。 FP-GNNアルゴリズムはこれらのデータセット上で最先端の性能を達成した。
  論文  参考訳（メタデータ） (2022-05-08T10:36:12Z)
• MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination Therapy [2.446672595462589]
  本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。 本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。 このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-10-28T13:10:25Z)
• 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)
• Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
  分子特性予測の新しいモデルであるMeta-MGNNを提案する。 ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。 2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-02-16T01:55:34Z)
• ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
  ProxyFAUGはルールベースで近接性に基づく指紋増強法である。 このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
  論文  参考訳（メタデータ） (2021-02-04T15:59:30Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。