論文の概要: PepGB: Facilitating peptide drug discovery via graph neural networks

• arxiv url: http://arxiv.org/abs/2401.14665v1
• Date: Fri, 26 Jan 2024 06:13:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 15:51:46.333102
• Title: PepGB: Facilitating peptide drug discovery via graph neural networks
• Title（参考訳）: PepGB:グラフニューラルネットワークによるペプチド薬物発見の促進
• Authors: Yipin Lei, Xu Wang, Meng Fang, Han Li, Xiang Li, Jianyang Zeng
• Abstract要約: ペプチド-タンパク質相互作用(PepPIs)を予測することにより、ペプチドの早期発見を容易にする深層学習フレームワークPepGBを提案する。 我々は、リード生成と最適化プロセスでよく見られる高度に不均衡なデータのモデリングのボトルネックに取り組むために、拡張バージョンの diPepGB を導出する。
• 参考スコア（独自算出の注目度）: 36.744839520938825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peptides offer great biomedical potential and serve as promising drug candidates. Currently, the majority of approved peptide drugs are directly derived from well-explored natural human peptides. It is quite necessary to utilize advanced deep learning techniques to identify novel peptide drugs in the vast, unexplored biochemical space. Despite various in silico methods having been developed to accelerate peptide early drug discovery, existing models face challenges of overfitting and lacking generalizability due to the limited size, imbalanced distribution and inconsistent quality of experimental data. In this study, we propose PepGB, a deep learning framework to facilitate peptide early drug discovery by predicting peptide-protein interactions (PepPIs). Employing graph neural networks, PepGB incorporates a fine-grained perturbation module and a dual-view objective with contrastive learning-based peptide pre-trained representation to predict PepPIs. Through rigorous evaluations, we demonstrated that PepGB greatly outperforms baselines and can accurately identify PepPIs for novel targets and peptide hits, thereby contributing to the target identification and hit discovery processes. Next, we derive an extended version, diPepGB, to tackle the bottleneck of modeling highly imbalanced data prevalent in lead generation and optimization processes. Utilizing directed edges to represent relative binding strength between two peptide nodes, diPepGB achieves superior performance in real-world assays. In summary, our proposed frameworks can serve as potent tools to facilitate peptide early drug discovery.
• Abstract（参考訳）: ペプチドは優れた生体医学的ポテンシャルを持ち、有望な薬物候補として機能する。 現在、承認されたペプチド薬の大部分は、よく探索された天然のヒトペプチドから直接派生している。 高度な深層学習技術を用いて、未探索の広大な生化学領域における新規ペプチド薬を同定する必要がある。 ペプチドの早期発見を加速するために様々なシリコ法が開発されたが、既存のモデルは、限られたサイズ、不均衡な分布、実験データの一貫性のない品質のために、過剰適合と一般化性の欠如という課題に直面している。 本研究ではペプチド-タンパク質相互作用(peppis)を予測し,ペプチドの早期発見を促進するための深層学習フレームワークであるpepgbを提案する。 グラフニューラルネットワークを用いて、pepgbは粒度の細かい摂動モジュールと、対照的な学習ベースのペプチドを事前学習したデュアルビューの目的を組み込んでpeppisを予測する。 厳密な評価により,PepGBはベースラインを大きく上回り,新規ターゲットおよびペプチドヒットに対するPepPIを正確に同定し,ターゲット同定およびヒット発見プロセスに寄与することを示した。 次に、リード生成および最適化プロセスでよく見られる高度に不均衡なデータのモデリングのボトルネックに取り組むために、拡張版 diPepGB を導出する。 DiPepGBは2つのペプチドノード間の相対的な結合強度を表すために有向エッジを用いることで、実世界のアッセイにおいて優れた性能を発揮する。 まとめると,提案するフレームワークは,ペプチドの早期発見を促進する強力なツールとして機能する。

関連論文リスト

• E(3)-invariant diffusion model for pocket-aware peptide generation [1.9950682531209156]
  コンピュータ支援型インヒビター発見の新しい手法として,de novo pocket-aware peptide structureとシーケンス生成ネットワークを提案する。 以上の結果から,本手法は最先端モデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-10-27T19:59:09Z)
• Multi-Peptide: Multimodality Leveraged Language-Graph Learning of Peptide Properties [5.812284760539713]
  Multi-Peptideは、トランスフォーマーベースの言語モデルとグラフニューラルネットワーク(GNN)を組み合わせてペプチドの性質を予測する革新的なアプローチである。 溶血性データセットおよび非汚泥性データセットの評価は、多ペプチドの堅牢性を示し、溶血性予測における最先端86.185%の精度を達成する。 本研究は, 生体情報学におけるマルチモーダル学習の可能性を強調し, ペプチドを用いた研究・応用における正確かつ信頼性の高い予測方法を模索する。
  論文  参考訳（メタデータ） (2024-07-02T20:13:47Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• PepHarmony: A Multi-View Contrastive Learning Framework for Integrated Sequence and Structure-Based Peptide Encoding [21.126660909515607]
  本研究は、配列に基づくペプチド符号化タスクのための、新しいマルチビューコントラスト学習フレームワークであるPepHarmonyを紹介する。 タンパク質データバンク(PDB)とAlphaFoldデータベースから、幅広いペプチド配列と構造を含むデータセットを慎重に選択する。 実験データではペプハーモニーのペプチド配列と構造の間の複雑な関係を捉える能力が強調されている。
  論文  参考訳（メタデータ） (2024-01-21T01:16:53Z)
• ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing [70.12220342151113]
  ContraNovoは、コントラスト学習を利用してスペクトルとペプチドの関係を抽出する先駆的アルゴリズムである。 ContraNovoは、現代最先端のソリューションを一貫して誇張している。
  論文  参考訳（メタデータ） (2023-12-18T12:49:46Z)
• PepLand: a large-scale pre-trained peptide representation model for a comprehensive landscape of both canonical and non-canonical amino acids [0.4348327622270753]
  PepLandは、カノニカルアミノ酸と非カノニカルアミノ酸の両方にまたがるペプチドの表現と性質解析のための新しい事前学習アーキテクチャである。 本質的にPepLandは、ペプチドの微妙な構造表現を明らかにするために、包括的な多視点不均一グラフニューラルネットワークを活用している。
  論文  参考訳（メタデータ） (2023-11-08T01:18:32Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。