論文の概要: HydraScreen: A Generalizable Structure-Based Deep Learning Approach to Drug Discovery

• arxiv url: http://arxiv.org/abs/2311.12814v1
• Date: Fri, 22 Sep 2023 18:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 15:48:11.533302
• Title: HydraScreen: A Generalizable Structure-Based Deep Learning Approach to Drug Discovery
• Title（参考訳）: HydraScreen:ドラッグ発見のための一般的な構造に基づくディープラーニングアプローチ
• Authors: Alvaro Prat, Hisham Abdel Aty, Gintautas Kamuntavi\v{c}ius, Tanya Paquet, Povilas Norvai\v{s}as, Piero Gasparotto, Roy Tal
• Abstract要約: HydraScreenは、より堅牢な機械学習による薬物発見のためのフレームワークを提供することを目指している。 我々は最先端の3D畳み込みニューラルネットワークを用いて、タンパク質-リガンド結合における分子構造と相互作用を表現している。 HydraScreenはユーザフレンドリなGUIと公開APIを提供し、個々のタンパク質-リガンド複合体の簡易な評価を容易にする。
• 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: We propose HydraScreen, a deep-learning approach that aims to provide a framework for more robust machine-learning-accelerated drug discovery. HydraScreen utilizes a state-of-the-art 3D convolutional neural network, designed for the effective representation of molecular structures and interactions in protein-ligand binding. We design an end-to-end pipeline for high-throughput screening and lead optimization, targeting applications in structure-based drug design. We assess our approach using established public benchmarks based on the CASF 2016 core set, achieving top-tier results in affinity and pose prediction (Pearson's r = 0.86, RMSE = 1.15, Top-1 = 0.95). Furthermore, we utilize a novel interaction profiling approach to identify potential biases in the model and dataset to boost interpretability and support the unbiased nature of our method. Finally, we showcase HydraScreen's capacity to generalize across unseen proteins and ligands, offering directions for future development of robust machine learning scoring functions. HydraScreen (accessible at https://hydrascreen.ro5.ai) provides a user-friendly GUI and a public API, facilitating easy assessment of individual protein-ligand complexes.
• Abstract（参考訳）: 我々は、より堅牢な機械学習加速薬発見のためのフレームワークを提供することを目的とした、ディープラーニングアプローチであるHydraScreenを提案する。 HydraScreenは、タンパク質-リガンド結合における分子構造と相互作用の効果的な表現のために設計された最先端の3D畳み込みニューラルネットワークを使用している。 我々は,高スループットスクリーニングとリード最適化のためのエンドツーエンドパイプラインを設計し,構造に基づく薬物設計の応用を目標とした。 提案手法は,CASF 2016コアセットに基づいて確立された公開ベンチマークを用いて評価し,アフィニティとポーズ予測(ピアソン r = 0.86, RMSE = 1.15, Top-1 = 0.95)の上位階層の結果を得た。 さらに,新しいインタラクション・プロファイリング手法を用いて,モデルとデータセットの潜在的なバイアスを同定し,解釈可能性を高め,手法のバイアスのない性質をサポートする。 最後に,ハイドラスクリーンのタンパク質とリガンドを汎用化し,ロバストな機械学習スコアリング機能の開発に向けた方向性を示す。 HydraScreen (https://hydrascreen.ro5.ai)は、ユーザフレンドリーなGUIと公開APIを提供し、個々のタンパク質-リガンド複合体の評価を容易にする。

関連論文リスト

• Barlow Twins Deep Neural Network for Advanced 1D Drug-Target Interaction Prediction [0.0]
  BarlowDTIは機能抽出に強力なBarlow Twinsアーキテクチャを使用している。 複数の確立されたベンチマークに対して最先端の予測性能を達成する。 共結晶構造を比較することで、BarlowDTIは触媒活性および安定化残基を効果的に利用していることが分かる。
  論文  参考訳（メタデータ） (2024-07-31T14:06:18Z)
• 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)
• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• PharmacoNet: Accelerating Large-Scale Virtual Screening by Deep Pharmacophore Modeling [0.0]
  我々は,この課題に対処するために,構造に基づく薬剤師範モデリングのためのディープラーニングフレームワークを初めて記述する。 PharmacoNetは最先端の構造に基づくアプローチよりもはるかに高速だが、単純なスコアリング機能では合理的に正確である。
  論文  参考訳（メタデータ） (2023-10-01T14:13:09Z)
• Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
  ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。 これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
  論文  参考訳（メタデータ） (2023-08-02T12:08:17Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
  本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。 HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。 我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
  論文  参考訳（メタデータ） (2022-12-23T16:14:53Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• 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)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)

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。