論文の概要: Machine Learning Modeling Of SiRNA Structure-Potency Relationship With
Applications Against Sars-Cov-2 Spike Gene
- arxiv url: http://arxiv.org/abs/2401.12232v1
- Date: Thu, 18 Jan 2024 23:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 15:42:56.293607
- Title: Machine Learning Modeling Of SiRNA Structure-Potency Relationship With
Applications Against Sars-Cov-2 Spike Gene
- Title(参考訳): sars-cov-2スパイク遺伝子に対するsirna構造と電位関係の機械学習モデル
- Authors: Damilola Oshunyinka
- Abstract要約: 薬の発見プロセスは長くて費用がかかるので、新しい薬を市場に出すのに10年近くかかります。
バイオテクノロジー、計算方法、機械学習アルゴリズムは、薬物発見を革命させ、プロセスをスピードアップし、患者の結果を改善する可能性がある。
新型コロナウイルス(COVID-19)のパンデミックは、これらの技術の可能性の認識をさらに加速し、さらに深めている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The pharmaceutical Research and development (R&D) process is lengthy and
costly, taking nearly a decade to bring a new drug to the market. However,
advancements in biotechnology, computational methods, and machine learning
algorithms have the potential to revolutionize drug discovery, speeding up the
process and improving patient outcomes. The COVID-19 pandemic has further
accelerated and deepened the recognition of the potential of these techniques,
especially in the areas of drug repurposing and efficacy predictions.
Meanwhile, non-small molecule therapeutic modalities such as cell therapies,
monoclonal antibodies, and RNA interference (RNAi) technology have gained
importance due to their ability to target specific disease pathways and/or
patient populations. In the field of RNAi, many experiments have been carried
out to design and select highly efficient siRNAs. However, the established
patterns for efficient siRNAs are sometimes contradictory and unable to
consistently determine the most potent siRNA molecules against a target mRNA.
Thus, this paper focuses on developing machine learning models based on the
cheminformatics representation of the nucleotide composition (i.e. AUTGC) of
siRNA to predict their potency and aid the selection of the most efficient
siRNAs for further development. The PLS (Partial Least Square) and SVR (Support
Vector Regression) machine learning models built in this work outperformed
previously published models. These models can help in predicting siRNA potency
and aid in selecting the best siRNA molecules for experimental validation and
further clinical development. The study has demonstrated the potential of
AI/machine learning models to help expedite siRNA-based drug discovery
including the discovery of potent siRNAs against SARS-CoV-2.
- Abstract(参考訳): 製薬研究開発(r&d)のプロセスは長く費用がかかり、新しい薬を市場に出すのに10年近くかかる。
しかし、バイオテクノロジー、計算手法、機械学習アルゴリズムの進歩は、創薬を革新し、プロセスをスピードアップし、患者の成果を改善する可能性を秘めている。
新型コロナウイルス(COVID-19)のパンデミックは、これらの技術の可能性の認識をさらに加速し、さらに深めている。
一方、細胞療法、モノクローナル抗体、RNA干渉(RNAi)技術などの非小分子治療は、特定の疾患経路や患者集団をターゲットにする能力によって重要になっている。
RNAiの分野では、高効率なsiRNAの設計と選択のために多くの実験がなされている。
しかし、効率的なsiRNAの確立されたパターンは、しばしば矛盾しており、ターゲットmRNAに対して最も強力なsiRNA分子を一貫して決定できない。
そこで本研究では,siRNAのヌクレオチド組成(すなわちAUTGC)のケミノフォマティクス表現に基づく機械学習モデルの開発に焦点をあて,その有効性を予測し,最も効率的なsiRNAの選択を支援する。
この研究で構築されたpls(部分最小二乗)とsvr(サポートベクター回帰)の機械学習モデルは、以前発表されたモデルよりも優れています。
これらのモデルはsiRNAの有効性を予測するのに役立ち、実験的な検証とさらなる臨床開発のために最高のsiRNA分子を選択するのに役立ちます。
この研究は、SARS-CoV-2に対する強力なsiRNAの発見を含む、siRNAに基づく薬物発見の迅速化を支援するAI/機械学習モデルの可能性を実証した。
関連論文リスト
- CRISPR: Ensemble Model [20.268713698436326]
正確で一般化可能なsgRNA設計のための新しいアンサンブル学習法を提案する。
本手法は, 新規遺伝子や細胞に対しても高い感度, 特異性を有するsgRNAの設計に有効であることが示唆された。
論文 参考訳(メタデータ) (2024-03-05T14:55:14Z) - Description Generation using Variational Auto-Encoders for precursor
microRNA [5.6710852973206105]
本稿では、Vari Auto-Encodersによる生成モデリングを利用して、pre-miRNAの潜伏因子を明らかにする新しいフレームワークを提案する。
フレームワークを分類に適用し、高い再構成と分類性能を得るとともに、正確な記述も開発する。
論文 参考訳(メタデータ) (2023-11-29T15:41:45Z) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳(メタデータ) (2023-10-04T10:30:08Z) - Knowledge from Large-Scale Protein Contact Prediction Models Can Be
Transferred to the Data-Scarce RNA Contact Prediction Task [40.051834115537474]
タンパク質共進化トランスフォーマーに基づくディープニューラルネットワークはRNA接触予測タスクに転送可能である。
実験により、転写学習によるRNA接触予測が大幅に改善されることが確認された。
以上の結果から, タンパク質の構造パターンはRNAに転移し, 新たな研究の道を開く可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-13T06:00:56Z) - RDesign: Hierarchical Data-efficient Representation Learning for
Tertiary Structure-based RNA Design [65.41144149958208]
本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。
我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。
RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
論文 参考訳(メタデータ) (2023-01-25T17:19:49Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - E2Efold-3D: End-to-End Deep Learning Method for accurate de novo RNA 3D
Structure Prediction [46.38735421190187]
E2Efold-3Dというエンド・ツー・エンドの深層学習手法を開発し,テクスタイド・ノボRNA構造予測を精度良く行う。
完全微分可能なエンドツーエンドパイプライン、二次構造による自己蒸留、パラメータ効率のよいバックボーンの定式化など、データ不足を克服するために、いくつかの新しいコンポーネントが提案されている。
論文 参考訳(メタデータ) (2022-07-04T17:15:35Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳(メタデータ) (2021-11-05T02:54:06Z) - Predictive models of RNA degradation through dual crowdsourcing [2.003083111563343]
クラウドソーシングされた機械学習コンペ("Stanford OpenVaccine")についてKaggleで説明する。
勝者モデルは、以前の最先端のDegScoreモデルよりも50%良いテストセットエラーを示した。
論文 参考訳(メタデータ) (2021-10-14T16:50:37Z) - Machine learning for plant microRNA prediction: A systematic review [0.0]
マイクロRNA(miRNA)は内在性の小さな非コードRNAであり、遺伝子調節に重要な役割を果たしている。
計算と機械学習に基づくアプローチがマイクロRNAの予測に採用されている。
本研究は,植物における識別のために開発された機械学習手法に焦点をあてる。
論文 参考訳(メタデータ) (2021-06-29T08:22:57Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳(メタデータ) (2020-05-22T15:57:58Z)
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。